TensorBoard 是用于机器学习实验可视化的工具包，适合在训练过程中跟踪损失、准确率等指标，调试模型权重与梯度分布，对比多次实验，查看模型结构，对嵌入向量做降维投影，管理超参数实验，以及分析性能瓶颈，也可在训练中可视化图像与文本。
安装与启动：pip install tensorboard；PyTorch 搭配可安装 pip install torch torchvision tensorboard；TensorFlow 自带，pip install tensorflow。启动命令为 tensorboard --logdir=runs，默认在 http://localhost:6006 访问。
主要能力：以标量记录训练/验证指标并分组对比；用 add_histogram 跟踪权重、梯度与激活分布；用 add_graph 可视化模型结构；用 add_embedding 配合元数据在 Projector 中做 PCA、t-SNE、UMAP 投影；用 add_hparams 记录超参数与最终指标，在 HParams 面板对比；用 add_image、add_text 记录图像与文本；用 add_pr_curve 绘制精确率-召回率曲线。
使用方式：PyTorch 通过 torch.utils.tensorboard.SummaryWriter 写入 runs 目录，训练中调用 add_scalar、add_scalars、add_histogram 等，结束后 close；TensorFlow/Keras 通过 tf.keras.callbacks.TensorBoard 回调或 tf.summary 写入，可设置 histogram_freq、write_graph、write_images、profile_batch 等参数。多个实验可写入同一父目录的不同子目录，TensorBoard 会同时展示并支持开关对比与正则筛选。
性能分析：TensorFlow 通过回调的 profile_batch 采集，PyTorch 通过 torch.profiler 配合 tensorboard_trace_handler 输出，均在 Profile 面板查看 GPU 利用率、内核与内存等信息。
限制与注意：资料未提供收费、价格与平台支持细节；日志写入过频会产生大文件，建议批次指标按间隔记录、轮次指标完整记录；应使用可描述的运行目录名便于对比，写完需 close 或使用上下文管理器；公开分享仅提及 tensorboard.dev，具体可用性暂未提供。
参考：https://www.tensorflow.org/tensorboard、https://pytorch.org/docs/stable/tensorboard.html、https://github.com/tensorflow/tensorboard。