Tensorboard 是 Tensorflow 中的可视化工具，使用 Tensorboard 不仅可以查看计算图谱(神经网络)结构，而且还能够将训练过程中参数变化，准确率以及损失函数的变化，直观地展示出来。是机器学习研究者非常有用的工具，这篇文章，我就来介绍一下如何在 Keras 中轻松调用Tensorboard。
同样的，为了方便与读者交流，所有的代码都放在了这里：
https://github.com/zht007/tensorflow-practice
1. 导入TensorBoard
Tensorboard 在 Keras 中是以 callback 的形式调用的。
from tensorflow.keras.callbacks import TensorBoard
然后我们需要初始化 tensorboard。这里为了避免命名重复，在文件名中加入了时间参数。
import time
NAME = 'DigiRecognizer-CNN-{}'.format(int(time.time()))
tensorboard = TensorBoard(log_dir='logs/{}'.format(NAME))
注意，这里我们定义了一个"logs/"的目录。
2. TensorBoard使用
使用Tensorboard 非常简单，我们以之前识别手写数字的 MINST 项目为例，在保持所有其他代码不变的情况下，仅需要在 model.fit 的函数中加入callbacks的参数即可。不过注意的是 callback 需要一个List 所以，这里直接 callbacks=[tensorboard] 就可以了
model.fit(x_train, y_train,
batch_size=50,
epochs=100,
verbose=1,
validation_data=(x_test, y_test),
callbacks=[tensorboard])
3. 显示TensorBoard
Tensorboard 的显示需要用到浏览器，这里最好使用Google 的 Chrome浏览器。使用Terminal 或者 cmd , cd 到工作目录下，使用这个命令
tensorboard --logdir logs
即可获得一个url，复制粘贴这个url到浏览器即可看到Tensorboard啦。
4. 在Colab中使用TensorBoard
我们通常无法直接在Jupyter notebook 或者 Colab 中显示 TensorBoard，不过Tensorflow 2.0 已经支持这个功能了，也仅需几行代码。
在Colab中开一个代码格，即可安装Tensorflow 2.0 alpha
%%capture
!pip install -q tensorflow-gpu==2.0.0-alpha0
# Load the TensorBoard extension
%load_ext tensorboard.notebook
其他部分不用改变，训练完成后，仅需一行代码，即可在Colab的Notebook中直接显示TensorBoard
%tensorboard --logdir logs
Tensorboard 数据展示非常美观，下图为在全连接的神经网络中改变网络结构，训练了三次，所得到的准确率和损失函数，在训练集和测试集的结果对比。通过Dropout和正则化能够改善过拟合的现象(灰色和橙色分别是改善后的训练集和测试集结果)，但是还是无法进一步提高该神经网络的识别率了。
因此，下一步就必须改变神经网络的结构，引入卷积神经网络来进一步提高模型的识别率，同时避免Overfitting。下一篇文章我会具体介绍如何使用 Tensorboard 工具调整卷积层层数，每层神经网络个数等参数，最后达到最优神经网络的目的。
相关文章
Tensorflow入门——单层神经网络识别MNIST手写数字
Tensorflow入门——分类问题cross_entropy的选择
同步到我的简书和Steemit