【深度学习】keras通过tensorboard进行可视化

通过自己编写方法利用matplotlib可视化每次迭代的损失和精确度时感觉很麻烦，运行时间开销也大，然而利用tensorboard可以以最少的代码得到最优的更多的可视化结果。看了不少网上的博客，大多都是千篇一律，不是抄的就是过程不详细，对于小白真的是一头雾水，下面我来具体讲解一下tensorboard的过程。
首先keras中tensorboard的调用过程为tf.keras.callbacks.TensorBoard()，tf为tensorflow的别名。去keras的官方文档看了下，Tensorboard在Callbacks的API中。

tf.keras.callbacks.TensorBoard(
    log_dir="logs",
    histogram_freq=0,
    write_graph=True,
    write_images=False,
    update_freq="epoch",
    profile_batch=2,
    embeddings_freq=0,
    embeddings_metadata=None,
    **kwargs
)

先说一下几个较为常用的参数吧。
1.log_dir：网上博客好像不知道从哪抄来的，其实这个参数就是用来保存tensorboard日志文件的路径，默认为logs，就是在当前项目所在路径下创建了一个名为logs的文件夹，logs文件夹里还有个train文件夹，train文件里放的即为tensorboard的日志文件，如果不想创建新的文件夹，那么直接log_dir='.'即可，这样当前项目所在路径下就直接有一个train文件夹。
2.write_graph：是否显示计算图，如果为False，那么tensorboard中将不会有任何网络的层结构图。
3.update_freq：可取值：'batch'、'epoch'，或者其他整型数值。就是多少次之后把loss和metrics写入tensorboard中，可以每个批次写入tensorboard中，也可以每次迭代写入。
4.embeddings_freq：嵌入层可视化的频率（以epochs为单位）。如果设置为0，则不会可视化嵌入层。
举个栗子：

tensorboard = tf.keras.callbacks.TensorBoard(log_dir='tensorboard_logs')
model.fit(x_train, y_train, epochs=100, callbacks=[tensorboard])

当程序运行完之后，在项目所在文件中进入cmd，然后输入以下指令：

然后将地址http://localhost:6006/复制，在浏览器中粘贴访问即可。在访问网站之前不能关闭cmd窗口，否则网址无法访问。

左上角有个smoothing,可以用来调整曲线的平滑程度，菜单栏中点击GRAPHS可以查看计算图：