ModelScope中，tensorboard是不是不能用呀？

不是的，ModelScope中的tensorboard是可以使用的。只需要在代码中添加相应的配置即可。

在ModelScope中，TensorBoard是可以使用的，下面将详细介绍如何在ModelScope中使用TensorBoard以及一些相关的注意事项。

目前成都创新互联已为上1000家的企业提供了网站建设、域名、网页空间、网站托管、服务器租用、企业网站设计、双桥网站维护等服务，公司将坚持客户导向、应用为本的策略，正道将秉承"和谐、参与、激情"的文化，与客户和合作伙伴齐心协力一起成长，共同发展。

1、安装和配置TensorBoard：

确保已经安装了TensorFlow和TensorBoard，如果没有安装，可以通过以下命令进行安装：

```

pip install tensorflow

pip install tensorboard

```

在代码中导入所需的库：

```python

import tensorflow as tf

from tensorflow.keras.callbacks import TensorBoard

```

2、创建TensorBoard回调函数：

在训练模型时，需要创建一个TensorBoard回调函数并将其添加到模型的训练过程中，以下是创建和配置TensorBoard回调函数的示例代码：

```python

tensorboard_callback = TensorBoard(log_dir='logs')

model.fit(x_train, y_train, callbacks=[tensorboard_callback])

```

在上述代码中，log_dir参数指定了TensorBoard日志文件的存储路径，可以根据需要自定义该路径。

3、启动TensorBoard：

在训练完成后，可以启动TensorBoard来查看模型的训练过程和性能指标，使用以下命令启动TensorBoard：

```

tensorboard logdir logs

```

这将打开一个浏览器窗口，显示TensorBoard的用户界面，可以在该界面上查看训练过程的可视化图表、损失函数曲线等。

4、注意事项：

确保在运行代码之前已经设置了正确的环境变量，以便能够找到TensorBoard可执行文件。

如果使用的是Jupyter Notebook或类似的交互式环境，可以将tensorboard logdir logs命令放在一个单独的代码单元格中，并运行该单元格以启动TensorBoard。

在训练过程中，TensorBoard会定期保存模型的性能指标和其他相关信息到指定的日志目录中，请确保有足够的磁盘空间来存储这些日志文件。