TensorBoard 是 Google 提供的机器学习可视化工具包，主要用于观察训练过程、调试模型和比较实验结果。资料给出的安装方式包括：pip install tensorboard；PyTorch 场景可安装 torch、torchvision、tensorboard；TensorFlow 安装包已包含 TensorBoard。启动命令为 tensorboard --logdir=runs，默认通过 http://localhost:6006 访问。
主要能力
- 标量记录：用 add_scalar 或 add_scalars 记录损失、准确率、学习率等随时间变化的指标，并按命名空间分组。
- 图像与文本记录：用 add_image 记录单张图像或图像网格，用 add_text 记录预测结果、配置和 Markdown 表格。
- 直方图与分布：用 add_histogram 跟踪权重、梯度和激活值的分布，辅助调试模型。
- 模型图可视化：PyTorch 用 add_graph 配合示例输入记录模型计算图；Keras 可通过 TensorBoard 回调的 write_graph 选项自动记录。
- 嵌入投影：用 add_embedding 记录高维嵌入及元数据、标签图像，在 Projector 中用 PCA、t-SNE 或 UMAP 查看聚类。
- 超参数实验：用 add_hparams 记录超参数与最终指标，在 HParams 面板对比不同配置。
- PR 曲线：用 add_pr_curve 记录分类任务的精确率-召回率曲线。
- 多实验对比：多个运行写入同一日志根目录后，可在同一面板中开关、筛选并叠加对比。
- 性能分析：TensorFlow 可通过回调的 profile_batch 采集批次性能；PyTorch 可用 torch.profiler 配合 tensorboard_trace_handler 输出，在 Profile 面板查看。
使用方式
PyTorch 使用 SummaryWriter 创建写入器，指定运行目录后在训练循环中记录各类数据，结束后调用 flush/close，或用上下文管理器自动关闭。TensorFlow/Keras 使用 tf.summary.create_file_writer 配合 tf.summary.scalar、image、histogram 等接口，或直接使用 tf.keras.callbacks.TensorBoard 回调，通过 log_dir、histogram_freq、write_graph、write_images、update_freq、profile_batch、embeddings_freq 等参数控制记录行为。
适用场景
适合深度学习训练监控、模型调试、实验管理与对比、嵌入可视化、超参数筛选和性能瓶颈定位。资料还建议使用描述性运行名称、按 Loss/train 这类层级命名分组指标、避免每个批次都记录以免日志过大，并把训练与验证日志分目录存放。
限制与未提供信息
资料未说明收费模式、价格、平台兼容性细节及具体性能上限，这些暂未提供。使用效果取决于所用框架版本与日志组织方式。