所见即所得

目前，大部分深度学习框架都提供了 Python 的用户界面，其训练过程的状态通常以日记的形式被记录下来，这种方式可以观察短期内的训练状态，但是难以从全局把握训练过程中的变化趋势，导致提取信息时受到较多限制。反观 Visual DL，它可以使得深度学习任务变得生动形象，实现可视分析，改变了传统的日记式记录形态，便于用户将训练过程可视化，帮助更好地把控全局。

首先，它的“Scalar”功能支持 Scalar 打点数据展示，可将训练信息以折线图的形式展现出来，方便观察整体趋势，还能在同一个可视化视图中呈现多条折线，方便用户对比分析。

其次，Visual DL 的“Image”功能支持图片展示，用户可轻松查看数据样本的质量，也可以方便地查看训练的中间结果，例如卷积层的输出或者 GAN 生成的图片。

同时，Visual DL 还具有 Histogram 参数分布展示功能，方便用户查看参数矩阵中数值的分布曲线，并随时观察参数数值分布的变化趋势。

最后，Visual DL 中的“Graph”还能帮助用户查看深度神经网络的模型结构。据悉，Graph 支持直接对 ONNX 的模型进行预览，由于 MXNet、Caffe2、Pytorch 和 CNTK 都支持转成 ONNX 的模型，这意味着 Graph 可间接支持不同框架的模型可视化功能，让用户便于排查网络配置的错误，帮助理解网络结构。

Visual DL 除了功能全面以外，还具有易集成、易使用等优势。

它可提供独立的 Python SDK，若用户的训练任务基于 Python，可直接安装 Visual DL 的 WHL 软件包，随后输入到项目中进行使用，使用方式简单便捷。

为了满足用户的不同操作需求，用户在其 Python 代码中可加入 Visual DL 日志记录逻辑，启动 Visual DL 后即可通过浏览器查看日志的可视化结果。

此外，Visual DL 在底层使用 C++ 编写，提供原生的 C++ SDK，用户可将其深入集成到自己 C++ 的项目，以实现更高效的性能。

值得一提的是，Visual DL 现已完全开放，同时支持大部分的深度学习框架。其 SDK 层面可轻松集成到 Python 或者 C++ 项目中，此外， Graph 通过 ONNX 还可直接支持 PaddlePaddle、TensorFlow、MxNet、PyTorch 和 Caffe2 等流行的深度学习框架。对于开发者来说，Visual DL 可以将深度学习任务的训练过程可视化，减少用户的观察比对时间，让整个训练过程更高效。

使用

VisualDL 同时提供了 Python SDK 和 C++ SDK ，我们可以快速地将数据可视化。

以如何用Python创建一个简单的可视化标量为例：

 import random
 from visualdl import LogWriter
 logdir = "./tmp"
 logger = LogWriter(dir, sync_cycle=10)

# mark the components with 'train' label.
 with logger.mode("train"):
   # create a scalar component called 'scalars/scalar0'
   scalar0 = logger.scalar("scalars/scalar0")

# add some records during DL model running, lets start from another block.
 with logger.mode("train"):
   # add scalars
   for step in range(100):
       scalar0.add_record(step, random.random())

在训练过程生成了一些日志后，我们可以登录控制面板并查看实时的数据可视化效果，登陆方式只需要在命令窗口输入以下命令：

visuaIDL --logdir <some log dir>

开源项目精选: 深度学习可视化框架VisualDL

所见即所得

使用

相关信息