tensorboard看不到日志的根本原因是log_dir路径不匹配或未生成tfevents文件；需确保summarywriter路径与--logdir一致、调用add_scalar时传入python原生数值、避免目录被自动清空、控制写入频率并使用本地ssd存储。
TensorBoard 启动后看不到训练日志
根本原因通常是 log_dir 路径没对上，或者训练时根本没写入事件文件。TensorBoard 不会主动扫描子目录，它只读取指定路径下由 SummaryWriter 生成的 *.tfevents.* 文件。
- 检查
SummaryWriter初始化时传的log_dir是否和tensorboard --logdir=xxx的xxx完全一致（注意相对路径 vs 绝对路径） - 运行训练脚本后，立刻进
log_dir目录看有没有生成*.tfevents.*文件；没有就说明SummaryWriter没被调用，或调用后没写入（比如没调add_scalar就退出了） - Windows 下路径分隔符混用（
\和/）可能让 TensorBoard 识别失败，统一用正斜杠或os.path.join - TensorBoard 默认只监听 localhost，远程服务器上要加
--bind_all才能从本地浏览器访问
add_scalar 写不进去损失值
add_scalar 必须在 SummaryWriter 实例上调用，且传入的数值必须是 Python 原生类型（float、int），不能直接传 PyTorch 的 tensor 或 NumPy 的 ndarray —— 否则静默失败或报错。
- PyTorch 用户：写成
writer.add_scalar("loss", loss.item(), global_step)，漏掉.item()就会卡住或报ValueError: only one element tensors can be converted to Python scalars - TensorFlow/Keras 用户：如果用
tf.summary.scalar，需确保在tf.GradientTape或@tf.function外调用，否则可能被图优化掉 - global_step 必须单调递增，跳着写或重复写会导致曲线错乱（比如两个点挤在同一横坐标）
训练重启后日志覆盖旧数据
默认情况下，每次新建 SummaryWriter(log_dir="logs") 都会清空 logs 目录里的旧事件文件——这是很多人意外丢失历史曲线的根源。
- 避免覆盖：改用带时间戳的子目录，例如
log_dir=f"logs/{datetime.now().strftime('%Y%m%d_%H%M%S')}" - 想复用同一目录但不删旧文件？初始化时加
flush_secs=30并确认不传max_queue等触发清空逻辑的参数；更稳妥的是手动管理目录，不依赖SummaryWriter自动清理 - TensorBoard 支持多 run 可视化：
tensorboard --logdir=run1:logs/exp1,run2:logs/exp2，这样不同实验能并排对比
训练速度明显变慢，怀疑 TensorBoard 拖累
写日志本身有开销，尤其高频调用 add_image 或 add_histogram 时，I/O 和序列化会吃掉可观 GPU/CPU 时间。
- 降低记录频率：用
if step % 100 == 0:控制，别每步都写；损失/准确率可每 10 步记一次，图像/梯度直方图每 1000 步记一次 - 禁用非必要插件：启动 TensorBoard 时加
--load_fast=false --bind_all，避免自动加载耗资源的 hparams 或 projector 插件 - 写入大量图像时，先转成
uint8再传给add_image，避免 float32 → PNG 的隐式转换卡顿
最常被忽略的一点：TensorBoard 日志目录如果放在 NFS 或网络盘上，写入延迟会指数级放大——务必确认 log_dir 在本地 SSD 路径下。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
