TensorBoard 是一个由 TensorFlow 提供的可视化工具，用于展示 TensorFlow 训练过程中的各种指标和结果。它提供了一系列功能，帮助用户更好地理解、调试和优化他们的 TensorFlow 模型。

TensorBoard 可以用于以下几个方面：

1. **训练过程可视化：**TensorBoard 可以显示训练过程中的损失函数、准确率、学习率等指标的变化趋势，帮助用户监控模型的训练进度。

2. **模型结构可视化：**TensorBoard 可以可视化 TensorFlow 模型的计算图，展示模型中各个层之间的连接关系，以及每个层的输入输出情况。

3. **嵌入式向量可视化：**如果模型包含嵌入层（如 Word Embedding），TensorBoard 可以将高维的嵌入向量映射到低维空间，并以可视化的方式展示，帮助用户理解嵌入向量之间的关系。

4. **分布式训练可视化：**对于分布式训练，TensorBoard 可以展示不同设备上的训练指标，并提供汇总报告。

5. **超参数优化可视化：**TensorBoard 还提供了一些工具，帮助用户对模型的超参数进行优化和调整，并可视化不同超参数设置下的性能表现。

通过 TensorBoard，用户可以直观地了解模型的训练过程和结构，发现潜在的问题，并做出相应的调整，从而提高模型的性能和效果。

import tensorflow as tf
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense

# 加载数据集
mnist = tf.keras.datasets.mnist
(x_train, y_train), (x_test, y_test) = mnist.load_data()
x_train, x_test = x_train / 255.0, x_test / 255.0

# 构建模型
model = Sequential([
    tf.keras.layers.Flatten(input_shape=(28, 28)),
    tf.keras.layers.Dense(128, activation='relu'),
    tf.keras.layers.Dropout(0.2),
    tf.keras.layers.Dense(10)
])

# 编译模型
model.compile(optimizer='adam',
              loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
              metrics=['accuracy'])

# 设置 TensorBoard 回调
tensorboard_callback = tf.keras.callbacks.TensorBoard(log_dir="./logs")

# 训练模型，并将 TensorBoard 回调传入 fit 函数中
model.fit(x_train, y_train, epochs=5, validation_data=(x_test, y_test), callbacks=[tensorboard_callback])

# 保存模型
model.save('mnist_model.h5')

模型训练完成后，启动 TensorBoard 并等待 UI 加载

通过单击的“Graphs”就可以看到模型的可视化结果了