自定义tf.keras.keras.callbacks.TensorBoard在tensorflow版本>= 1.15.0中不能很好地工作

是因为tf.keras.callbacks.TensorBoard是基于TensorFlow 1.x版本的TensorBoard实现的，而在TensorFlow 2.x版本中，TensorBoard的实现方式发生了变化。

在TensorFlow 2.x版本中，可以使用tf.summary模块来替代tf.keras.callbacks.TensorBoard来进行日志记录和可视化。tf.summary模块提供了一系列函数，用于记录各种类型的数据，包括标量、图像、直方图等。可以通过tf.summary.create_file_writer函数创建一个文件写入器，然后使用tf.summary.scalar、tf.summary.image等函数将数据写入到文件中。最后，使用tensorboard命令启动TensorBoard服务器，可以在浏览器中查看可视化结果。

以下是使用tf.summary模块记录和可视化数据的示例代码：

import tensorflow as tf

# 创建文件写入器
log_dir = "logs/"
summary_writer = tf.summary.create_file_writer(log_dir)

# 记录标量数据
with summary_writer.as_default():
    tf.summary.scalar("loss", loss, step=epoch)
    tf.summary.scalar("accuracy", accuracy, step=epoch)

# 记录图像数据
with summary_writer.as_default():
    tf.summary.image("input_image", input_image, step=epoch)

# 启动TensorBoard服务器
# 在命令行中执行 tensorboard --logdir logs/

在上述代码中，log_dir指定了日志文件的保存路径，summary_writer创建了一个文件写入器。使用with summary_writer.as_default()语句将数据写入到文件中，并指定了step参数来表示记录的步数。最后，使用tensorboard命令启动TensorBoard服务器，可以在浏览器中查看可视化结果。

推荐的腾讯云相关产品：腾讯云AI Lab、腾讯云机器学习平台、腾讯云容器服务等。你可以通过访问腾讯云官网获取更详细的产品介绍和相关链接地址。

注意：以上答案仅供参考，具体的解决方案可能需要根据实际情况进行调整和优化。