TensorBoard监控依赖路径、标签和保存三者严格对齐。需确保SummaryWriter路径与tensorboard --logdir一致，tag名匹配dashboard分组，且代码修改后必须手动保存（Ctrl+S）再运行。
TensorBoard 本身不是 VSCode 插件，但它是训练参数监控的事实标准
VSCode 没有“一键监控训练参数”的万能插件。真正起作用的是 tensorboard 命令行工具 + VSCode 终端 + 日志路径对齐。所谓“插件辅助”，本质是让这三者不脱节。
常见错误现象：No dashboards are active、面板空白、指标不更新、端口被占却无提示。
- 必须确保代码中
SummaryWriter("runs/train")的路径与终端执行tensorboard --logdir=runs的runs完全一致（大小写敏感，不含尾斜杠） - 若改过日志目录名，先用
lsof -i :6006（macOS/Linux）或netstat -ano | findstr :6006（Windows）查进程，再kill -9或任务管理器结束旧 TensorBoard - VSCode 中点开 TensorBoard 链接时，务必点击自动生成的
http://localhost:6006/—— 手动输127.0.0.1:6006可能因绑定地址不同而失败
Fitten Code 不监控参数，但它能快速生成带日志和 SummaryWriter 的训练脚本
你不需要手写 logging.basicConfig() 或反复查 torch.utils.tensorboard.SummaryWriter 参数。Fitten Code 能根据自然语言指令，直接产出含双输出日志 + TensorBoard 写入的完整训练循环。
使用场景：调试新模型结构、换数据集重训、临时加 metrics 记录。
- 输入如：“用 ResNet18 在 CIFAR-10 上训练 5 轮，每轮记录 loss 和 val_acc，保存到 runs/cifar_exp”
- 它生成的代码会自动包含：
FileHandler("train.log")、SummaryWriter("runs/cifar_exp")、add_scalar("Loss/train", loss, epoch)等调用 - ⚠️ 注意：Fitten Code 仅在 Notebook 单元格中生效，且内核名称必须是
Python（非Python 3.11等带版本号的别名）
Azure Machine Learning 扩展适合远程训练监控，但本地单机训练反而多一层抽象
如果你在 Azure ML 计算实例或集群上跑训练，这个扩展能直接从 VSCode 启动 TensorBoard 并代理访问，省去手动 SSH 和端口转发。
但对本地 CPU/GPU 训练，它不替代 tensorboard --logdir，也不会自动帮你检查 train.log 是否 flush。
- 启用后，在资源面板右键作业 → “View logs” 可看 stdout/stderr，但不等价于结构化指标；要看曲线仍需进 TensorBoard
- 它依赖作业容器里已装好
tensorboard和ipykernel，本地环境缺失时会静默跳过 TensorBoard 启动 - 若你在本地调试时报
Connection refused，大概率是扩展试图连远程服务，而非启动本地 TensorBoard —— 此时请切回终端手动运行
真正关键的不是插件，而是三个同步点是否对齐
所有“监控失效”问题，90% 出在以下三点没对齐：
-
SummaryWriter初始化路径 vstensorboard --logdir参数 - 训练脚本中
add_scalar的 tag 名称 vs TensorBoard 左侧 dashboard 列表名（比如写成"loss"和"Loss/train"就不会归到同一组） - 代码修改后是否保存 → VSCode 默认不自动保存，Ctrl+S 缺失会导致终端运行的仍是旧版（尤其 Notebook 中 Cell 修改后未 execute）
最易被忽略的是第三点：你以为在看最新训练曲线，其实背后跑的是两小时前没保存的代码。每次改完模型或日志逻辑，先按 Ctrl+S，再运行 —— 这比装十个插件都管用。
