在深度学习中，常常需要使用loss,acc等曲线来观察模型的拟合情况或者模型的训练效率。本文将介绍如何在tensorflow下利用plt画出这些曲线图。具体来说，首先需要获取到训练过程中的loss和acc等指标数据；其次，使用matplotlib.pyplot.plot()函数来绘图；最后，使用plt.savefig()函数将图像保存起来。
获取loss和acc等指标数据的方法很多，比如可以使用tensorboard来记录训练指标；也可以编写回调函数，将指标保存到list或者numpy数组中。这里，我们假设已经将指标保存到了两个numpy数组中：loss_history和accuracy_history。
接下来，就可以使用pyplot来绘制图像了。常用的方法包括plot(), xlabel(), ylabel()等。举个例子：
import matplotlib.pyplot as plt
plt.plot(loss_history, label='training loss')
plt.polt(accuracy_history, label='training accuracy')
plt.xlabel('epoch')
plt.ylabel('value')
plt.legend()
plt.show()
上述代码中，使用plot()函数依次绘制了loss和accuracy曲线，使用xlabel()和ylabel()来设置坐标轴标签，使用legend()来添加图例，最后使用show()函数展示图片。可以看到，这是一个简单的例子，实际情况中往往需要更细致的设置，比如选择曲线颜色、粗细、线型等。
最后，使用plt.savefig()可以将图像保存到本地文件夹中，供后续使用。例如：
plt.savefig('loss_acc.jpg')
这样，就可以在本地找到一张名为'loss_acc.jpg'的图片，展示了模型在每个epoch的loss和acc情况。本文提供的代码只是一个简单的实例，使用matplotlib.pyplot的功能非常丰富，读者可以根据自己的需求对图像进行更加详细的设置和美化。
