众所周知tensorflow造势虽大却很难用，因此推荐使用Keras，它缺省是基于tensorflow的，但通过修改keras.json也可以用于theano。但是为了能用tensorflow提供的tensorboard，因此建议仍基于tensorflow。
那么问题来了，由于Keras隐藏了tensorflow那令人诟病、可笑至极的graph构建方法，那么如何使用tensorboard呢？一般网站上会告诉你是这样的：
方法一（标准调用方法）：
采用keras特有的fit()进行训练，只要在fit的时候指定callbacks函数即可，代码如下
from keras.callbacks import TensorBoardfrom keras.models import Sequential……model = Sequential()……tbCallBack = keras.callbacks.TensorBoard(log_dir='./Graph',histogram_freq=1,write_graph=True,write_images=True)model_history = model.fit(X_train_train,y_train_train,batch_size=batch_size,epochs=epochs,verbose=1,validation_data=(X_train_val, y_train_val),callbacks = [EarlyStopping(patience=patience,mode='min',verbose=1),history,tbCallBack])
虽然这种方法看上去很美，但它只适用于标准训练方法，如果你想用自己的训练方法，就需要调用train_on_batch，而不能直接使用fit()，这时就要采用下面这种方法：
方法二（特殊调用方法）：
这种方法可用于调用train_on_batch的情况。
%预先写好writer，定义好modelwriter = tf.summary.FileWriter(…)model = …%训练时loss = model.train_on_batch(…)summary = tf.Summary(value=[tf.Summary.Value(tag=”d_loss”, simple_value=d_loss),tf.Summary.Value(tag=”g_loss”, simple_value=g_loss),])writer.add_summary(summary)
虽然很简单，但这种方法只能显示scalar类型，不能显示image,histgram等，非常不实用。真正实用的是下面的终结方法：
方法三（最实用的方法）
最实用的还是用tensorflow原生的调用方法，虽然相对方法二麻烦一点，但考虑到此方法与tensorflow一样，不需要去记那些额外的花拳绣腿，因此反而是最简单的，也是最有效的。
代码如下：
import tensorflow as tfimport datetime%在训练开始之前，预先定义好可视化的东西，用的是原生的tensorflow方法，这里我们以一个GAN模型为例，让它显示整张模型图，两个标量损失函数，以及5个生成图像。方法是预先用placeholder声明所要显示的那些东西，然后在训练过程中将训练结果来填充它们。你可以自行加入histgram，都和tensorflow一样#start tensorboardsess=tf.Session()logdir = “tensorboard/” + datetime.datetime.now().strftime(“%Y%m%d-%H%M%S”) + “/”writer = tf.summary.FileWriter(logdir, sess.graph)D_LOSS = tf.placeholder(tf.float32, [])G_LOSS = tf.placeholder(tf.float32, [])IMAGES = tf.placeholder(tf.float32,shape=[None,28,28,1])tf.summary.scalar(“D_LOSS”, D_LOSS)tf.summary.scalar(“G_LOSS”, G_LOSS)tf.summary.image(“IMAGES”, IMAGES, 5)merged=tf.summary.merge_all()#end tensorboard
训练迭代过程中，是这样的
for epoch in range(100):% 用keras的train_on_batch方法进行训练d_loss = d.train_on_batch(。。。。。。)g_loss = d_on_g.train_on_batch(。。。。。。)generated_images = g.predict(。。。。。。)if index%10==0: #tensorboard% 将训练结果填充可视化数据summary=sess.run(merged,feed_dict={D_LOSS:d_loss, G_LOSS:g_loss, IMAGES:generated_images})writer.add_summary(summary,index)
以上这篇Keras使用tensorboard显示训练过程的实例就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持我们。
以上就上有关Keras使用tensorboard显示训练过程的实例的相关介绍，要了解更多keras, 训练, tensorboard内容请登录学步园。