所見即所得

目前，大部分深度學習框架都提供了 Python 的用戶界面，其訓練過程的狀態通常以日記的形式被記錄下來，這種方式可以觀察短期內的訓練狀態，但是難以從全局把握訓練過程中的變化趨勢，導致提取信息時受到較多限制。反觀 Visual DL，它可以使得深度學習任務變得生動形象，實現可視分析，改變了傳統的日記式記錄形態，便於用戶將訓練過程可視化，幫助更好地把控全局。

首先，它的「Scalar」功能支持 Scalar 打點數據展示，可將訓練信息以折線圖的形式展現出來，方便觀察整體趨勢，還能在同一個可視化視圖中呈現多條折線，方便用戶對比分析。

其次，Visual DL 的「Image」功能支持圖片展示，用戶可輕鬆查看數據樣本的質量，也可以方便地查看訓練的中間結果，例如卷積層的輸出或者 GAN 生成的圖片。

同時，Visual DL 還具有 Histogram 參數分布展示功能，方便用戶查看參數矩陣中數值的分布曲線，並隨時觀察參數數值分布的變化趨勢。

最後，Visual DL 中的「Graph」還能幫助用戶查看深度神經網路的模型結構。據悉，Graph 支持直接對 ONNX 的模型進行預覽，由於 MXNet、Caffe2、Pytorch 和 CNTK 都支持轉成 ONNX 的模型，這意味著 Graph 可間接支持不同框架的模型可視化功能，讓用戶便於排查網路配置的錯誤，幫助理解網路結構。

Visual DL 除了功能全面以外，還具有易集成、易使用等優勢。

它可提供獨立的 Python SDK，若用戶的訓練任務基於 Python，可直接安裝 Visual DL 的 WHL 軟體包，隨後輸入到項目中進行使用，使用方式簡單便捷。

為了滿足用戶的不同操作需求，用戶在其 Python 代碼中可加入 Visual DL 日誌記錄邏輯，啟動 Visual DL 後即可通過瀏覽器查看日誌的可視化結果。

此外，Visual DL 在底層使用 C++ 編寫，提供原生的 C++ SDK，用戶可將其深入集成到自己 C++ 的項目，以實現更高效的性能。

值得一提的是，Visual DL 現已完全開放，同時支持大部分的深度學習框架。其 SDK 層面可輕鬆集成到 Python 或者 C++ 項目中，此外， Graph 通過 ONNX 還可直接支持 PaddlePaddle、TensorFlow、MxNet、PyTorch 和 Caffe2 等流行的深度學習框架。對於開發者來說，Visual DL 可以將深度學習任務的訓練過程可視化，減少用戶的觀察比對時間，讓整個訓練過程更高效。

使用

VisualDL 同時提供了 Python SDK 和 C++ SDK ，我們可以快速地將數據可視化。

以如何用Python創建一個簡單的可視化標量為例：

 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())

在訓練過程生成了一些日誌後，我們可以登錄控制面板並查看實時的數據可視化效果，登陸方式只需要在命令窗口輸入以下命令：

visuaIDL --logdir <some log dir>

開源項目精選: 深度學習可視化框架VisualDL

所見即所得

使用

相關信息