前言：現代人講求效率，不再閱讀龐大繁雜的文字資料，而俗話說：「一張好的圖要讓人三秒就能理解。」資料視覺化，透過圖表來說明資訊和資料，在這邊我們也可以用視覺化幫助我們快速判讀訓練結果！

我們就拿作天的加州房價來做視覺化
首先，再匯入模組時要多加下面這一行，從tf.keras.callbacks匯入TensorBoard類別

from tensorflow.keras.callbacks import TensorBoard

接下來我們來建立TensorBoard物件，將模型的訓練資訊寫進TensorBoard物件並匯出到指定路徑。我這樣寫可以讓檔案放在colab的左邊檔案區，但只要colab運作結束，檔案也會消失。所以如果你想要存在本機（自己的電腦）就寫自己的儲存路徑。
其中log_dir它用來保存Tensorboard的日誌檔案、文件的位置，也就是log_dir=會把裡面Tensorboard的日誌檔案寫入指定路徑。(一開始沒有寫到，程式碼一直出錯XD 錯誤訊息：TypeError: TensorBoard.set_model() missing 1 required positional argument: 'model' 如果你也有這的錯誤訊息也可以檢查是不是漏打了）

tensorboard=TensorBoard(log_dir='content/california_housing')

⬆️content/california_housing 這個路徑會在colab左邊的檔案存放地方

最後要在，訓練回歸模型的地方加入一個callback參數，依序去執行傳遞來的函數

#訓練模型
model.fit(X_train, y_train, batch_size=8, epochs=40, verbose=1,validation_data=(X_test, y_test),callbacks=[tensorboard])

都完成後輸入兩行指令就可以啟動TensorBoard查看訓練資訊了。
這邊要特別注意第二行輸入的是要在第二步驟寫的路徑
（如果跟我寫的一樣可以照抄，不一樣的人要改成自己的！！）

%load_ext tensorboard
%tensorboard --logdir 'content/california_housing'

終於把架設神經網路會遇到的問題，還有如何解決都介紹完給大家了
一路走來到第24天，遇到了很多名詞，大家都還記得嗎？權重、激活函數、損失函數、梯度下降法、批次正規化、丟棄法、優化器，如果有看到名字5秒鐘還解釋不出來的就再回去複習吧！！

明天會開始介紹機器視覺領域-卷積神經網路（CNN）