在之前的学习过程之中，我们学习了如何自定义查看训练过程之中的各项指标。在实际的应用过程之中，为了保证模型构建的准确性，我们也会经常查看网络的模型结构图。那么这节课我们就来看一下如何在TensorBoard之中查看模型图。
倘若我们通过tf.kerasAPI来自定义了一个网络模型，那么我们在TensorBoard来查看模型图是非常简单的一件事情。
当我们使用tf.keras的模型的fit()方法的时候，框架会自动帮我们绘制模型结构图。
如下代码所示：
首先我们定义模型、数据与相应的参数。
importtensorflowastf(x_train,y_train),(x_test,y_test)=tf.keras.datasets.mnist.load_data()x_train,x_test=x_train/255.0,x_test/255.0defcreate_model():returntf.keras.models.Sequential([tf.keras.layers.Flatten(input_shape=(28,28)),tf.keras.layers.Dense(256,activation='relu'),tf.keras.layers.Dense(10,activation='softmax')])model=create_model()model.compile(optimizer='adam',loss='sparse_categorical_crossentropy',metrics=[])然后我们定义相应的TensorBoard日志目录，同时对模型使用fit()进行训练：
tensorboard_callback=tf.keras.callbacks.TensorBoard(log_dir='./logs')model.fit(x=x_train,y=y_train,epochs=3,validation_data=(x_test,y_test),callbacks=[tensorboard_callback])最后我们就可以打开TensorBoard并在浏览器查看：
tensorboard--logdirlogs我们就可以在浏览器的Graph标签页之中看到模型图了：
在实际的应用过程之中，有很多的情况下，我们需要使用tf.function来加速模型的速度并自定义训练过程。那么这个时候我们要如何才能查看网络的模型结构图呢？
其实也很简单，我们只需经过如下几个步骤：
在这里，我们可以使用一个很简单的例子来查看操作的结构：
#定义网络的操作@tf.functiondeftest_func(x,y):z=tf.matmul(x,y)z=z*5.0z=tf.nn.relu(z)returnz#创建写入器writer=tf.summary.create_file_writer('./logs/3')#创建初试数据x=tf.random.uniform((5,5))y=tf.random.uniform((5,5))#开启变量追踪tf.summary.trace_on(graph=True,profiler=True)#运行程序z=test_func(x,y)#将日志输出withwriter.as_default():tf.summary.trace_export(name="test_func_graph",step=1,profiler_outdir='./logs/3')在这里，我们首先定义了一个基本的模型操作，该模型操作由一个矩阵乘法、一个常量乘法、外加一个Relu激活层组成。在运行完操作之后，我们便使用tf.summary.trace_export()API来将模型图输入道日志之中。
然后我们便可以在浏览器之中查看到相应的模型图：
可以看到，该模型图完整的反映了我们的操作。
既然了解了如何将模型图输出到日志，那么接下来我们就应该查看在TensorBoard之中对模型图的基本操作。
在TensorBoard之中，使用鼠标滚轮即可实现模型图的缩放，当我们一直放大，会看到操作内部的细节。
并且按住鼠标左键，移动鼠标，即可实现模型图的移动操作。
双击网络节点，即可展开网络节点，从而查看到网络内部的细节操作。
在左侧的最上方，可以搜索自己想要查看的节点，这里是支持正则表达式的。
点击左侧的DownloadPNG即可下载带有透明度的、网络模型的图片。
点击左侧的Run按钮，即可选择不同的网络模型进行查看，前提是我们已经将网络模型输入到日志之中去。
点击左侧的Tag选项，即可查看网络的查看方式。
默认是查看中粒度的网络模型，如果我们的模型是使用Keras定义的，那么我们可以选择查看Keras结构，这是一个总体的概览，可以帮助我们掌握大体的网络结构。
当我们遇到一些不理解的图标的时候，我们可以通过左下角的图例进行查询：
在这节课之中，我们学习率如何在TensorBoard之中查看Keras模型，同时也了解了如何产看自定义的操作过程，最后我们了解了TensorBoard的一些基本操作。TensorBoard也在持续更新，未来一定会有更多新的功能。