使用 TensorBoard

我们完成深度学习的训练后，通常要查看实际的训练效果，一般都是看损失函数的变化情况和准确率的变化情况，而为了可以很直观的看到训练效果，一般有两种方式。
一是采用matplotlib的库函数，将变化情况绘制出来
还有一种就是采用TensorBoard库的方式。
本篇博客主要介绍第二种方式。

一、训练前调用回调函数

使用使用tensorboard监控训练过程，需要指定回调函数，添加tensorboard观察。
添加回调

这里是引用

# 回调函数
# 其中的参数就指定在当前文件夹下创建一个名为graph的文件夹，然后将训练的日志以及相关参数写入。
tensorboard = tf.keras.callbacks.TensorBoard(log_dir="./graph")

开始训练

history = model.fit(x_train,y_train,epochs=4,validation_data=(x_test,y_test),batch_size=128,verbose=1,callbacks=[tensorboard])

在fit函数中主要要添加callbacks参数。
训练完成之后，在当前的文件夹下就可以看多多出一个graph的文件夹。

进入这个文件夹后发现存有训练和验证两个集合的日志

然后通过anaconda prompt命令行进入相应的虚拟环境后，然后输入命令，开启以下操作：

1. 进入目标文件夹

cd: C:\Users\87047\AnacondaTest\graph

2. 在命令行中启动 TensorBoard 服务器：

  tensorboard --logdir="./"

这会在当前目录下启动一个 TensorBoard 服务器。
然后就可以看到提示打开一个本地的网址，赋值这个网址
在浏览器中打开即可。

你可以在浏览器中查看 TensorBoard 的可视化结果。

在浏览器中，你将看到 TensorBoard 的界面。该界面分为几个标签页，包括 Scalars、Graphs、Histograms、Projector 等。你可以根据需要选择不同的标签页来查看不同类型的可视化结果。

1. Scalars 标签页用于显示训练过程中的标量指标，如损失函数、准确率等的变化情况。
2. Graphs标签页用于显示模型的计算图（Graph），包括神经网络的结构和层之间的连接关系。
3. Histograms标签页用于显示变量的直方图分布，可以用于观察权重和偏置的变化情况。
4. Projector标签页用于显示降维后的数据点在二维空间中的分布，可以用于观察数据的聚类情况。
5. 在选择标签页后，你可以根据页面上的指导进行进一步的操作和查看。

通过以上步骤，可以在 TensorBoard 中查看到训练过程中的各种可视化结果，帮助你更好地理解模型的训练过程并进行优化调整。

二、退出

要正确退出 TensorBoard，你可以在启动 TensorBoard 的命令行界面中按下 Ctrl + C 组合键。这将会停止 TensorBoard 服务器的运行，并回到命令行提示符。

在 Windows 系统中，你也可以关闭命令行窗口来退出 TensorBoard。