实时输出学习率可以通过在 TensorFlow 模型训练的过程中添加一些特定的代码来实现。在 TensorFlow 中，学习率是作为一个超参数（即不通过训练数据而需要设置的参数）传递给优化器的。因此，在训练过程中，可以通过以下两种方法实时输出学习率：
1.通过 TensorBoard 输出学习率：
可以使用 TensorFlow 中的 TensorBoard 工具来监控训练过程中的学习率。要在 TensorBoard 中监控学习率，只需要将学习率添加为日志信息的一部分，然后使用 TensorBoard 的 scalar_summary 函数来输出。具体实现代码如下：
```
import tensorflow as tf
# 设置学习率为 0.01
learning_rate=0.01
...
# 优化器定义（使用 adam 算法）
optimizer=tf.train.AdamOptimizer(learning_rate).minimize(loss)
...
with tf.Session() as sess:
# 可视化学习率
tf.summary.scalar('learning_rate', learning_rate)
merged_summary_op=tf.summary.merge_all()
summary_writer=tf.summary.FileWriter(log_dir, sess.graph)
...
# 输出学习率
summary_str=sess.run(merged_summary_op)
summary_writer.add_summary(summary_str, step)
```
2.通过使用 TensorFlow 的回调函数实现动态输出学习率：
除了通过 TensorBoard 可以实时输出学习率之外，还可以使用 TensorFlow 的回调函数来动态输出学习率。TensorFlow 中的回调函数是在每个 epoch 结束时的代码块，可以添加任意自定义的代码。当然，其中也可以输出学习率。具体实现代码如下：
```
import tensorflow as tf
# 设置学习率为 0.01
learning_rate=0.01
...
def print_lr(epoch, logs):
print("Learning rate:", learning_rate)
...
with tf.Session() as sess:
...
# 使用回调函数输出学习率
lr_callback=tf.keras.callbacks.LambdaCallback(on_epoch_end=print_lr)
...
# 模型训练
model.fit(x_train, y_train,
batch_size=batch_size,
epochs=epochs,
verbose=1,
validation_data=(x_test, y_test),
callbacks=[lr_callback])
```
通过上述两种方法，即可轻松实现 TensorFlow 实时输出学习率的功能。
