VisualDL跨框架深度學(xué)習(xí)可視化框架

VisualDL，即 Visualize the Deep Learning，是飛槳可視化分析工具，以豐富的圖表呈現(xiàn)訓(xùn)練參數(shù)變化趨勢(shì)、模型結(jié)構(gòu)、數(shù)據(jù)樣本、高維數(shù)據(jù)分布等。可幫助用戶更清晰直觀地理解深度學(xué)習(xí)模型訓(xùn)練過程及模型結(jié)構(gòu)，進(jìn)而實(shí)現(xiàn)高效的模型優(yōu)化。

下載安裝命令

## CPU版本安裝命令
pip install -f https://paddlepaddle.org.cn/pip/oschina/cpu paddlepaddle

## GPU版本安裝命令
pip install -f https://paddlepaddle.org.cn/pip/oschina/gpu paddlepaddle-gpu

VisualDL提供豐富的可視化功能，支持標(biāo)量、圖結(jié)構(gòu)、數(shù)據(jù)樣本可視化、直方圖、PR曲線及高維數(shù)據(jù)降維呈現(xiàn)等諸多功能。具體功能使用方式，請(qǐng)參見 VisualDL使用指南。

VisualDL 支持的瀏覽器種類：Chrome（81和83）、Safari 13、FireFox（77和78）、Edge（Chromium版）。

VisualDL 原生支持 python 的使用， 通過在模型的Python配置中添加幾行代碼，便可為訓(xùn)練過程提供豐富的可視化支持。

核心亮點(diǎn)

• 簡(jiǎn)單易用

API設(shè)計(jì)簡(jiǎn)潔易懂，使用簡(jiǎn)單。模型結(jié)構(gòu)一鍵實(shí)現(xiàn)可視化。

• 功能豐富

功能覆蓋標(biāo)量、數(shù)據(jù)樣本、圖結(jié)構(gòu)、直方圖、PR曲線及數(shù)據(jù)降維可視化。

• 高兼容性

全面支持Paddle、ONNX、Caffe等市面主流模型結(jié)構(gòu)可視化，廣泛支持各類用戶進(jìn)行可視化分析。

• 全面支持

與飛槳服務(wù)平臺(tái)及工具組件全面打通，為您在飛槳生態(tài)系統(tǒng)中提供最佳使用體驗(yàn)。

組件

VisualDL 目前提供以下組件：

• scalar
• histogram
• image
• audio
• graph
• high dimensional

• PR Curve

scalar

以圖表形式實(shí)時(shí)展示訓(xùn)練過程參數(shù)，如loss、accuracy。讓用戶通過觀察單組或多組訓(xùn)練參數(shù)變化，了解訓(xùn)練過程，加速模型調(diào)優(yōu)。具有兩大特點(diǎn)：

動(dòng)態(tài)展示

在啟動(dòng)VisualDL Board后，LogReader將不斷增量的讀取日志中數(shù)據(jù)并供前端調(diào)用展示，因此能夠在訓(xùn)練中同步觀測(cè)指標(biāo)變化，如下圖：

多實(shí)驗(yàn)對(duì)比

只需在啟動(dòng)VisualDL Board的時(shí)將每個(gè)實(shí)驗(yàn)日志所在路徑同時(shí)傳入即可，每個(gè)實(shí)驗(yàn)中相同tag的指標(biāo)將繪制在一張圖中同步呈現(xiàn)，如下圖：

Image

實(shí)時(shí)展示訓(xùn)練過程中的圖像數(shù)據(jù)，用于觀察不同訓(xùn)練階段的圖像變化，進(jìn)而深入了解訓(xùn)練過程及效果。

Audio

實(shí)時(shí)查看訓(xùn)練過程中的音頻數(shù)據(jù)，監(jiān)控語(yǔ)音識(shí)別與合成等任務(wù)的訓(xùn)練過程。

Graph

一鍵可視化模型的網(wǎng)絡(luò)結(jié)構(gòu)。可查看模型屬性、節(jié)點(diǎn)信息、節(jié)點(diǎn)輸入輸出等，并支持節(jié)點(diǎn)搜索，輔助用戶快速分析模型結(jié)構(gòu)與了解數(shù)據(jù)流向。

Histogram

以直方圖形式展示Tensor（weight、bias、gradient等）數(shù)據(jù)在訓(xùn)練過程中的變化趨勢(shì)。深入了解模型各層效果，幫助開發(fā)者精準(zhǔn)調(diào)整模型結(jié)構(gòu)。

• Offset模式

• Overlay 模式

PR Curve

精度-召回率曲線，幫助開發(fā)者權(quán)衡模型精度和召回率之間的平衡，設(shè)定最佳閾值。

High Dimensional

將高維數(shù)據(jù)進(jìn)行降維展示，目前支持T-SNE、PCA兩種降維方式，用于深入分析高維數(shù)據(jù)間的關(guān)系，方便用戶根據(jù)數(shù)據(jù)特征進(jìn)行算法優(yōu)化。