VisualDL 工具简介¶

简单易用¶

API 设计简洁易懂，使用简单。模型结构一键实现可视化。

功能丰富¶

功能覆盖标量、数据样本、图结构、直方图、PR 曲线及数据降维可视化。

高兼容性¶

全面支持 Paddle、ONNX、Caffe 等市面主流模型结构可视化，广泛支持各类用户进行可视化分析。

全面支持¶

与飞桨服务平台及工具组件全面打通，为您在飞桨生态系统中提供最佳使用体验。

使用 pip 安装¶

pip install --upgrade --pre visualdl

使用代码安装¶

git clone https://github.com/PaddlePaddle/VisualDL.git
cd VisualDL

python setup.py bdist_wheel
pip install --upgrade dist/visualdl-*.whl

需要注意，官方自 2020 年 1 月 1 日起不再维护 Python2，为了保障代码可用性，VisualDL 现仅支持 Python3

1. 记录日志¶

VisualDL 的后端提供了 Python SDK，可通过 LogWriter 定制一个日志记录器，接口如下：

class LogWriter(logdir=None,
                comment='',
                max_queue=10,
                flush_secs=120,
                filename_suffix='',
                write_to_disk=True,
                **kwargs)

from visualdl import LogWriter

# 在`./log/scalar_test/train`路径下建立日志文件
with LogWriter(logdir="./log/scalar_test/train") as writer:
    # 使用 scalar 组件记录一个标量数据
    writer.add_scalar(tag="acc", step=1, value=0.5678)
    writer.add_scalar(tag="acc", step=2, value=0.6878)
    writer.add_scalar(tag="acc", step=3, value=0.9878)

2. 启动面板¶

在上述示例中，日志已记录三组标量数据，现可启动 VisualDL 面板查看日志的可视化结果，共有两种启动方式：

visualdl --logdir <dir_1, dir_2, ... , dir_n> --host <host> --port <port> --cache-timeout <cache_timeout> --language <language> --public-path <public_path> --api-only

visualdl --logdir ./log

visualdl.server.app.run(logdir,
                        host="127.0.0.1",
                        port=8080,
                        cache_timeout=20,
                        language=None,
                        public_path=None,
                        api_only=False,
                        open_browser=False)

from visualdl.server import app

app.run(logdir="./log")

Scalar¶

以图表形式实时展示训练过程参数，如 loss、accuracy。让用户通过观察单组或多组训练参数变化，了解训练过程，加速模型调优。具有两大特点：

Image¶

实时展示训练过程中的图像数据，用于观察不同训练阶段的图像变化，进而深入了解训练过程及效果。

Audio¶

实时查看训练过程中的音频数据，监控语音识别与合成等任务的训练过程。

Graph¶

一键可视化模型的网络结构。可查看模型属性、节点信息、节点输入输出等，并支持节点搜索，辅助用户快速分析模型结构与了解数据流向。

Histogram¶

以直方图形式展示 Tensor（weight、bias、gradient 等）数据在训练过程中的变化趋势。深入了解模型各层效果，帮助开发者精准调整模型结构。

• Offset 模式

• Overlay 模式

PR Curve¶

精度-召回率曲线，帮助开发者权衡模型精度和召回率之间的平衡，设定最佳阈值。

High Dimensional¶

将高维数据进行降维展示，目前支持 T-SNE、PCA 两种降维方式，用于深入分析高维数据间的关系，方便用户根据数据特征进行算法优化。