keras tensorboard使用方法

### 使用TensorBoard与Keras

为了展示如何使用TensorBoard与Keras配合工作，下面提供了一个逐步指南来设置并运行TensorBoard以便监控模型训练过程。

#### 安装依赖库
确保安装了`tensorflow`以及其可视化工具`tensorboard`。可以通过pip命令完成安装[^1]:

pip install tensorflow tensorboard

#### 导入所需模块
加载必要的Python包以构建神经网络模型，并准备数据集用于训练。

import keras
from keras.datasets import mnist
from keras.models import Sequential
from keras.layers import Dense, Dropout
from keras.optimizers import RMSprop
import numpy as np
from tensorflow.keras.callbacks import TensorBoard  # 加载TensorBoard回调函数

#### 配置日志目录
创建一个特定的日志文件夹路径供TensorBoard读取记录信息，在此例子中命名为'logs/'。

log_dir = "logs/fit/" + datetime.datetime.now().strftime("%Y%m%d-%H%M%S")
tensorboard_callback = TensorBoard(log_dir=log_dir, histogram_freq=1)

#### 构建简单模型结构
定义一个多层感知器(MLP)，这里采用MNIST手写数字识别作为案例研究对象。

model = Sequential()
model.add(Dense(512, activation='relu', input_shape=(784,)))
model.add(Dropout(0.2))
model.add(Dense(512, activation='relu'))
model.add(Dropout(0.2))
model.add(Dense(10, activation='softmax'))

model.compile(loss='categorical_crossentropy',
              optimizer=RMSprop(),
              metrics=['accuracy'])

#### 启动训练流程
调用`.fit()`方法启动训练循环的同时传递给它之前配置好的TensorBoard实例。

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

#### 运行TensorBoard服务器
打开终端窗口执行如下指令开启本地服务端口，默认情况下为6006号端口监听HTTP请求。

tensorboard --logdir logs/fit/

访问浏览器中的URL地址http://localhost:6006即可查看实时更新的各项指标图表。