基于深度学习PaddlePaddle可视化工具VisualDL

工具简介

VisualDL由百度PaddlePaddle团队研发，是一个面向深度学习任务设计的可视化工具，与PaddlePaddle一样，VisualDL原生支持 Python 的使用， 只需要在模型中增加少量的代码，对VisualDL接口进行调用，便可以为训练过程提供丰富的可视化支持。除了PythonSDK之外，VisualDL底层采用C++编写，其暴露的C++ SDK也可以集成到其他框架中使用， 实现原生的性能和定制效果。用户也可以通过对C++SDK进行封装，提供其他脚本语言的SDK。

组件功能

VisualDL 目前支持以下可视化组件：

• scalar

• histogram

• image

• audio

• text

• graph

• high dimensional

scalars

用于记录和展示过程中的指标趋势，如准确率或者训练损失，以便观察损失是否正常收敛，又或者用于不同超参数下模型的性能对比等 

histogram

用于可视化任何tensor中数值的变化趋势，例如，可以用于记录参数在训练过程中的分布变化趋势，分析参数是否正常训练，有无异常值，分布是否符合预期等 

image

可用于查看输入或生成的图片样本，辅助开发者定位问题

audio

可用于播放输入或生成的音频样本，辅助开发者定位问题

text

用于可视化输入或者模型处理完成的文本样本，辅助开发者定位问题

graph

用于可视化模型的网络结构。可帮助分析模型结构是否符合预期

目前VisualDL支持ONNX和Paddle program两种格式的模型文件。对于使用Pytorch/MXNet等框架的用户，可以将模型结构转为ONNX格式后使用VisualDL展示。而对于PaddlePaddle模型文件的展示，VisualDL则支持直接展示。用户只需要进行以下两步操作，即可查看搭建的paddle网络结构是否正确 ：

1. 在paddle代码中，调用fluid.io.save_inference_model()接口保存模型

2. 在命令行界面，使用visualdl --model_pb [paddle_model_dir] 加载paddle模型，接着就能在浏览器上查看模型结构图

high dimensional

用于将embedding数据映射到二维/三维展示，从而使数据更加直观，便于开发者理解和分析。例如在文本领域，可以用于分析深度学习与词或者句子的语义建模是否合理。

目前该组件支持PCA/T-SNE两种降维方式 

快速体验

开发者如果想要快速体验一下此工具，可以使用下面的命令进行试用

# 安装VisualDL，建议使用anaconda或者virtualenv等环境下

pip install --upgrade visualdl

# vdl_create_scratch_log将会自动生成一份测试的log

vdl_create_scratch_log

# 在localhost:8080上启动一个visualdl服务，该服务加载scratch_log目录中的日志进行展示  

visualdl --logdir=scratch_log --model_pb scratch_log/mnist_model.onnx --port=8080

# 访问 http://127.0.0.1:8080

工具安装

VisualDL支持windows/linux/mac等主流平台的安装使用，用户可以通过pip直接进行安装

  pip install visualdl

工具使用

VisualDL的使用流程归纳为以下两步：

1. 在模型文件中，调用VisualDL SDK提供的接口，记录日志

2. 使用VisualDL提供的命令行工具，加载日志，在浏览器中查看

为了保证高效的性能，VisualDL 使用了C++实现了日志数据的记录和读取。除了C++ SDK之外，VisualDL同时提供了基于C++ SDK进行封装的Python SDK，用户也可以根据自己的需求，对C++ SDK进行封装，以支持其他语言的SDK。

下面给出Python SDK的使用示例

pythonSDK

下面我们结合PaddlePaddle和VisualDL，以mnist手写数字识别为例，给大家展示下用法：

1.  先导入必要的包

import paddle

import paddle.fluid as fluid  

from visualdl import LogWriter

2.  定义一个函数，用于构建LeNet-5网络

# 构建一个LeNet-5网络

def lenet_5(img, label):

      conv1 = fluid.nets.simple_img_conv_pool(

          input=img,

filter_size=5,

          num_filters=20,

pool_size=2,

pool_stride=2,

act="relu")

conv1_bn = fluid.layers.batch_norm(input=conv1)

conv2 = fluid.nets.simple_img_conv_pool(

input=conv1_bn,

filter_size=5,

num_filters=50,

          pool_size=2,

pool_stride=2,

act="relu")

predition = fluid.layers.fc(input=conv2, size=10, act="softmax", param_attr = "fc_w") cost = fluid.layers.cross_entropy(input=predition, label=label)

avg_cost = fluid.layers.mean(cost)

acc = fluid.layers.accuracy(input=predition, label=label)

return avg_cost, acc

3.  定义img和label，构建网络

img = fluid.layers.data(name="img", shape=[1, 28, 28], dtype="float32")

label = fluid.layers.data(name="label", shape=[1], dtype="int64")

avg_cost, acc = lenet_5(img, label)

4.  获取mnist数据集

  train_reader = paddle.batch(paddle.dataset.mnist.train(), batch_size=64)

5.  选择优化器，添加反向图

optimizer = fluid.optimizer.Adam(learning_rate=0.001)

optimizer.minimize(avg_cost)

6.  设置运行环境

  place = fluid.CPUPlace()  feeder = fluid.DataFeeder(feed_list=[img, label], place=place)  exe = fluid.Executor(place)

7.  添加visualdl组件

log_writter = LogWriter("./vdl_log", sync_cycle=10)

with log_writter.mode("train") as logger:

# 分别用两个scalar来记录loss和accuracy的趋势

scalar_loss = logger.scalar(tag="loss")

scalar_accuracy = logger.scalar(tag="accuracy")

# 用histogram来记录fc层的参数分布变化趋势

histogram = logger.histogram(tag="histogram", num_buckets=50)

8.  初始化参数

exe.run(fluid.default_startup_program())

step = 0

  epochs = 5

param_name = "fc_w"

9.  开始训练

for i in range(epochs):

for batch in train_reader():

cost, accuracy, param = exe.run(

feed=feeder.feed(batch),

fetch_list=[avg_cost.name, acc.name, param_name])

step += 1

# 将数据写入记录中

scalar_loss.add_record(step, cost)

scalar_accuracy.add_record(step, accuracy)

histogram.add_record(step, param.flatten())

print("epoch %d: step %d, acc is %.2f%% and loss is %.2f" % (i, step, accuracy * 100, cost))

  # 保存模型到model_save目录中，接着可以用visualdl --model_pb model_save来加载该模型       fluid.io.save_inference_model(dirname = "model_save", feeded_var_names = [img.name], target_vars = [avg_cost, acc], executor = exe)

10.训练完成后，执行下面的命令，通过命令行启动VisualDL服务

 visualdl --logdir "vdl_log" --model_pb "model_save"

11.在浏览器打开localhost:8040，选择METRICS查看accuracy和loss的变化趋势

12.切换GRAPHS，查看模型结构图

更多参数：

在执行完上述演示后，通过命令行启动VisualDL服务

visualdl --logdir "vdl_log" --model_pb "model_save"

board还支持以下参数

--host 设定IP 
--port 设定端口 
-m / --model_pb 指定 ONNX 格式的模型文件或者paddle模型文件 
-L / --language 指定界面使用的语言，目前支持en和zh两种，默认为en

举个例子，使用下述命令，将在192.168.0.2:8888上启动一个VisualDL的服务，前端页面以中文展示（注意，这里的192.168.0.2只是示例，实际使用过程要换为实际ip）

visualdl --logdir "vdl_log" --model_pb "model_save" --host 192.168.0.2 --port 8888 --language zh

详细的选项内容，可以通过以下命令查看

visualdl -h

如果想在线体验, 可以在Baidu AI Studio上遵照示例工程的步骤, 运行并观察效果:

http://aistudio.baidu.com/aistudio/#/projectDetail/35249

进入后fork这个项目, 点击运行项目即可. 无需准备任何代码或环境配置.

总结：

VisualDL作为深度学习的可视化工具，具有功能全面、易集成、易使用等优势，引用一位用户的评价：“像玩具一样易用，像工具一样有用”。随着版本的开发，我们会不断优化已有的功能，同时会加入更多与PaddlePaddle深度结合的功能，敬请期待~

更多了解，请登录：

https://github.com/PaddlePaddle/VisualDL