VisualDL 使用指南

概述

VisualDL 是一个面向深度学习任务设计的可视化工具。VisualDL 利用了丰富的图表来展示数据，用户可以更直观、清晰地查看数据的特征与变化趋势，有助于分析数据、及时发现错误，进而改进神经网络模型的设计。

目前，VisualDL 支持 scalar, histogram, image, text, audio, high dimensional, graph 这七个组件：

动态添加数据组件

要想使用 VisualDL 的 scalar, histogram, image, text, audio, high dimensional 这六个组件来添加数据，都必须先初始化记录器 LogWriter，以设置数据在本地磁盘的保存路径以及同步周期。此后各个组件的输入数据会先保存到本地磁盘，进而才能加载到前端网页中展示。

LogWriter — 记录器

LogWriter 是一个数据记录器，在数据记录过程中，LogWriter 会周期性地将数据写入指定路径。

LogWriter 的定义为：

class LogWriter(dir, sync_cycle)

:param dir : 指定日志文件的保存路径。 :param sync_cycle : 同步周期。经过 sync_cycle 次添加数据的操作，就执行一次将数据从内存写入磁盘的操作。 :return: 函数返回一个 LogWriter 对象。

例1 创建一个 LogWriter 对象

# 创建一个 LogWriter 对象 log_writer
log_writer = LogWriter("./log", sync_cycle=10)

LogWriter类的成员函数包括：

• mode()；
• scalar(), histogram(), image(), text(), audio(), embedding()；成员函数 mode() 用于指定模式。模式的名称是自定义的，比如训练train，验证validation，测试test，第一层卷积conv_layer1。 有着相同模式名称的组件作为一个整体，用户可在前端网页中的 Runs 按钮中选择显示哪个模式的数据（默认是显示全部模式）。

成员函数 scalar(), histogram(), image(), text(), audio(), embedding() 用于创建组件。

例2 LogWriter 创建组件

# 设定模式为 train，创建一个 scalar 组件
with log_writer.mode("train") as logger:
    train_scalar = logger.scalar("acc")
# 设定模式为test，创建一个 image 组件
with log_writer.mode("test") as shower:
    test_image = shower.image("conv_image", 10, 1)

scalar — 折线图组件

scalar 组件的输入数据类型为标量，该组件的作用是画折线图。将损失函数值、准确率等标量数据作为参数传入 scalar 组件，即可画出折线图，便于观察变化趋势。

想通过 scalar 组件画折线图，只需先设定 LogWriter 对象的成员函数 scalar()，即可使用 add_record() 函数添加数据。这两个函数的具体用法如下：

• LogWriter 对象的成员函数 scalar()：

def scalar(tag, type)   

:param tag : 标签，tag 相同的折线在同一子框，否则不同，tag 的名称中不能有 % 这个字符。 :param type : 数据类型，可选“float”, "double", "int"，默认值为 "float"。 :return: 函数返回一个 ScalarWriter 对象。

• scalar 组件的成员函数 add_record()：

def add_record(step, value)  

:param step : 步进数，标记这是第几个添加的数据。 :param value : 输入数据。

例3 scalar 组件示例程序 Github

# coding=utf-8
from visualdl import LogWriter
 
# 创建 LogWriter 对象
log_writer = LogWriter("./log", sync_cycle=20)
 
# 创建 scalar 组件，模式为 train
with log_writer.mode("train") as logger:
    train_acc = logger.scalar("acc")
    train_loss = logger.scalar("loss")
 
# 创建 scalar 组件，模式设为 test， tag 设为 acc
with log_writer.mode("test") as logger:
    test_acc = logger.scalar("acc")
 
value = [i/1000.0 for i in range(1000)]
for step in range(1000):
    # 向名称为 acc 的图中添加模式为train的数据
    train_acc.add_record(step, value[step])
 
    # 向名称为 loss 的图中添加模式为train的数据
    train_loss.add_record(step, 1 / (value[step] + 1))
 
    # 向名称为 acc 的图中添加模式为test的数据
    test_acc.add_record(step, 1 - value[step])

运行上述程序后，在命令行中执行

visualdl --logdir ./log --host 0.0.0.0 --port 8080

接着在浏览器打开 http://0.0.0.0:8080，即可查看以下折线图。

图1. scalar 组件展示折线图

VisualDL 页面的右边侧栏有各个组件的调节选项，以 scalar 组件为例：

• Smoothing : 用于调节曲线的平滑度。
• X-axis : 折线图的横坐标参数，可选 Step, Relative, Wall Time，分别表示横轴设为步进数、相对值、数据采集的时间。
• Tooltip sorting : 标签排序方法，可选 default, descending, ascending, nearest，分别表示默认排序、按名称降序、按名称升序、按最新更新时间排序。VisualDL 页面的右边侧栏的最下方还有一个 RUNNING 按钮，此时前端定期从后端同步数据，刷新页面。点击可切换为红色的 STOPPED，暂停前端的数据更新。

histogram — 直方图组件

histogram 组件的作用是以直方图的形式显示输入数据的分布。在训练过程中，把一些参数（例如权重矩阵 w，偏置项 b，梯度）传给 histogram 组件，就可以查看参数分布在训练过程中的变化趋势。

想通过 histogram 组件画参数直方图，只需先设定 LogWriter 对象的成员函数 histogram()，即可使用 add_record() 函数添加数据。这两个函数的具体用法如下：

• LogWriter 对象的成员函数 histogram()：

def histogram(tag, num_buckets, type)      

:param tag : 标签，结合 LogWriter 指定的模式，决定输入参数显示的子框。 :param num_buckets : 直方图的柱子数量。 :param type : 数据类型，可选“float”, "double", "int"，默认值为 "float"。 :return: 函数返回一个 HistogramWriter 对象。

• histogram 组件的成员函数 add_record()：

def add_record(step, data)   

:param step : 步进数，标记这是第几组添加的数据。 :param data : 输入参数， 数据类型为 list[]。

例4 histogram 组件示例程序 Github

# coding=utf-8
import numpy as np
from visualdl import LogWriter
 
# 创建 LogWriter 对象
log_writer = LogWriter('./log', sync_cycle=10)
 
# 创建 histogram 组件，模式为train
with log_writer.mode("train") as logger:
    param1_histogram = logger.histogram("param1", num_buckets=100)
 
# 设定步数为 1 - 100
for step in range(1, 101):
    # 添加的数据为随机分布，所在区间值变小
    interval_start = 1 + 2 * step/100.0
    interval_end = 6 - 2 * step/100.0
    data = np.random.uniform(interval_start, interval_end, size=(10000))
 
    # 使用 add_record() 函数添加数据
    param1_histogram.add_record(step, data)

运行上述程序后，在命令行中执行

visualdl --logdir ./log --host 0.0.0.0 --port 8080

接着在浏览器打开http://0.0.0.0:8080，即可查看 histogram 组件的直方图。其中横坐标为参数的数值，曲线上的值为相应参数的个数。右边纵轴的值为 Step，不同 Step 的数据组用不同颜色加以区分。

图2. histogram 组件展示直方图

image — 图片可视化组件

image 组件用于显示图片。在程序运行过程中，将图片数据传入 image 组件，就可在 VisualDL 的前端网页看到相应图片。

使用 image 组件添加数据，需要先设定 LogWriter 对象的成员函数 image()，即可结合 start_sampling(), is_sample_taken(), set_sample() 和 finish_sample() 这四个 image 组件的成员函数来完成。这几个函数的定义及用法如下：

• LogWriter 对象的成员函数 image()：

def image(tag, num_samples, step_cycle)    

:param tag : 标签，结合 set_sample() 的参数 index，决定图片显示的子框。 :param num_samples : 设置单个 step 的采样数，页面上的图片数目也等于 num_samples。 :param step_cycle : 将 step_cycle 个 step 的数据存储到日志中，默认值为 1。 :return: 函数返回一个 ImageWriter 对象。

• 开始新的采样周期 - 开辟一块内存空间，用于存放采样的数据：

def start_sampling()

• 判断该图片是否应被采样，当返回值为 -1，表示不用采样，否则，应被采样：

def is_sample_taken() 

• 使用函数 set_sample() 添加图片数据：

def set_sample(index, image_shape, image_data)    

:param index : 索引号，与 tag 组合使用，决定图片显示的子框。 :param image_shape : 图片的形状，[weight, height, 通道数(RGB 为 3，灰度图为 1)]。 :param image_data : 图片的数据格式为矩阵，通常为 numpy.ndarray，经 flatten() 后变为行向量。

• 结束当前的采样周期，将已采样的数据存到磁盘，并释放这一块内存空间：

def finish_sample()  

例5 image 组件示例程序 Github

# coding=utf-8
import numpy as np
from visualdl import LogWriter
from PIL import Image
 
 
def random_crop(img):
    '''
    此函数用于获取图片数据 img 的 100*100 的随机分块
    '''
    img = Image.open(img)
    w, h = img.size
    random_w = np.random.randint(0, w - 100)
    random_h = np.random.randint(0, h - 100)
    return img.crop((random_w, random_h, random_w + 100, random_h + 100))
 
 
# 创建 LogWriter 对象
log_writer = LogWriter("./log", sync_cycle=10)
 
# 创建 image 组件，模式为train, 采样数设为 ns
ns = 2
with log_writer.mode("train") as logger:
    input_image = logger.image(tag="test", num_samples=ns)
 
# 一般要设置一个变量 sample_num，用于记录当前已采样了几个 image 数据
sample_num = 0
 
for step in range(6):
    # 设置start_sampling() 的条件，满足条件时，开始采样
    if sample_num == 0:
        input_image.start_sampling()
 
    # 获取idx
    idx = input_image.is_sample_taken()
    # 如果 idx != -1，采样，否则跳过
    if idx != -1:
        # 获取图片数据
        image_path = "test.jpg"
        image_data = np.array(random_crop(image_path))
        # 使用 set_sample() 函数添加数据
        # flatten() 用于把 ndarray 由矩阵变为行向量
        input_image.set_sample(idx, image_data.shape, image_data.flatten())
        sample_num += 1
 
        # 如果完成了当前轮的采样，则调用finish_sample()
        if sample_num % ns == 0:
            input_image.finish_sampling()
            sample_num = 0

运行上述程序后，在命令行中执行

visualdl --logdir ./log --host 0.0.0.0 --port 8080

接着在浏览器打开 http://0.0.0.0:8080，点击页面最上方的SAMPLES选项，即可查看 image 组件的展示图片。每一张子图都有一条浅绿色的横轴，拖动即可展示不同 step 的图片。

图3. image 组件展示图片

text — 文本组件

text 组件用于显示文本，在程序运行过程中，将文本数据传入 text 组件，即可在 VisualDL 的前端网页中查看。

想要通过 text 组件添加数据，只需先设定 LogWriter 对象的成员函数 text()，即可使用 add_record() 函数来完成。这两个函数的具体用法如下：

• LogWriter 对象的成员函数 text()：

def text(tag)

:param tag : 标签，结合 LogWriter 设定的模式，决定文本显示的子框。 :return: 函数返回一个 TextWriter 对象。

• text 组件的成员函数 add_record()：

def add_record(step, str)

:param step : 步进数，标记这是第几组添加的数据。 :param str : 输入文本，数据类型为 string。

例6 text 组件示例程序 Github

# coding=utf-8
from visualdl import LogWriter
 
# 创建 LogWriter 对象
log_writter = LogWriter("./log", sync_cycle=10)
 
# 创建 text 组件，模式为 train， 标签为 test
with log_writter.mode("train") as logger:
    vdl_text_comp = logger.text(tag="test")
 
# 使用 add_record() 函数添加数据
for i in range(1, 6):
    vdl_text_comp.add_record(i, "这是第 %d 个 step 的数据。" % i)
    vdl_text_comp.add_record(i, "This is data %d ." % i)

运行上述程序后，在命令行中执行

visualdl --logdir ./log --host 0.0.0.0 --port 8080

接着在浏览器打开 http://0.0.0.0:8080，点击页面最上方的 SAMPLES 选项，即可查看 text 组件的展示文本。每一张小框都有一条浅绿色的横轴，拖动即可显示不同 step 的文本。

图4. text 组件展示文本

audio — 音频播放组件

audio 为音频播放组件，在程序运行过程中，将音频数据传入 audio 组件，就可以在 VisualDL 的前端网页中直接播放或下载。

使用 audio 组件添加数据，需要先设定 LogWriter 对象的成员函数 audio()，即可结合 start_sampling(), is_sample_taken(), set_sample() 和 finish_sample() 这四个 audio 组件的成员函数来完成。这几个函数的定义和用法如下：

• LogWriter 对象的成员函数 audio()：

def audio(tag, num_samples, step_cycle)   

:param tag : 标签，结合 set_sample() 的参数 index，决定音频播放的子框。 :param num_samples : 设置单个 step 的采样数，页面上的音频数目也等于 num_samples。 :param step_cycle : 将 step_cycle 个 step 的数据存储到日志中，默认值为 1。 :return: 函数返回一个 AudioWriter 对象。

• 开始新的采样周期 - 开辟一块内存空间，用于存放采样的数据：

def start_sampling()  

• 判断该音频是否应被采样，当返回值为 -1，表示不用采样，否则，应被采样：

def is_sample_taken()   

• 使用函数 set_sample() 添加音频数据：

def set_sample(index, audio_params, audio_data)      

:param index : 索引号，结合 tag，决定音频播放的子框。 :param audio_params : 音频的参数 [sample rate, sample width, channel]，其中 sample rate 为采样率， sample width 为每一帧采样的字节数， channel 为通道数（单声道设为1，双声道设为2，四声道设为4，以此类推）。 :param audio_data ：音频数据，音频数据的格式一般为 numpy.ndarray，经 flatten() 后变为行向量。

• 结束当前的采样周期，将已采样的数据存到磁盘，并释放这一块内存空间：

def finish_sample()

例7 audio 组件示例程序 Github

# coding=utf-8
import numpy as np
import wave
from visualdl import LogWriter
 
 
def read_audio_data(audio_path):
    """
    读取音频数据
    """
    CHUNK = 4096
    f = wave.open(audio_path, "rb")
    wavdata = []
    chunk = f.readframes(CHUNK)
 
    while chunk:
        data = np.fromstring(chunk, dtype='uint8')
        wavdata.extend(data)
        chunk = f.readframes(CHUNK)
 
    # 8k sample rate, 16bit frame, 1 channel
    shape = [8000, 2, 1]
 
    return shape, wavdata
 
 
# 创建一个 LogWriter 对象
log_writter = LogWriter("./log", sync_cycle=10)
 
# 创建 audio 组件，模式为 train
ns = 2
with log_writter.mode("train") as logger:
    input_audio = logger.audio(tag="test", num_samples=ns)
 
# 一般要设定一个变量 audio_sample_num，用来记录当前已采样了几段 audio 数据
audio_sample_num = 0
 
for step in range(9):
    # 设置 start_sampling() 的条件，满足条件时，开始采样
    if audio_sample_num == 0:
        input_audio.start_sampling()
 
    # 获取 idx
    idx = input_audio.is_sample_taken()
    # 如果 idx != -1，采样，否则跳过
    if idx != -1:
        # 读取数据，音频文件的格式可以为 .wav .mp3 等
        audio_path = "test.wav"
        audio_shape, audio_data = read_audio_data(audio_path)
        # 使用 set_sample()函数添加数据
        input_audio.set_sample(idx, audio_shape, audio_data)
        audio_sample_num += 1
 
        # 如果完成了当前轮的采样，则调用 finish_sample()
        if audio_sample_num % ns ==0:
            input_audio.finish_sampling()
            audio_sample_num = 0

运行上述程序后，在命令行中执行

visualdl --logdir ./log --host 0.0.0.0 --port 8080

接着在浏览器打开http://0.0.0.0:8080，点击页面最上方的 SAMPLES 选项，即有音频的小框，可以播放和下载。每一张小框中都有一条浅绿色的横轴，拖动即可选择不同 step 的音频段。

图5. audio 组件播放音频

high dimensional — 数据降维组件

high dimensional 组件的作用就是将数据映射到 2D/3D 空间来做可视化嵌入，这有利于了解不同数据的相关性。high dimensional 组件支持以下两种降维算法：

• PCA : Principle Component Analysis 主成分分析

• t-SNE : t-distributed stochastic neighbor embedding t-分布式随机领域嵌入想使用 high dimensional 组件，只需先设定 LogWriter 对象的成员函数 embedding()，即可使用 add_embeddings_with_word_dict() 函数添加数据。这两个函数的定义及用法如下：

• LogWriter 对象的成员函数 embedding() 不需输入参数，函数返回一个 embeddingWriter 对象：

def embedding()  

• high dimensional 的成员函数 add_embeddings_with_word_dict()：

def add_embeddings_with_word_dict(data, Dict)  

:param data : 输入数据，数据类型为 List[List(float)]。 :param Dict : 字典， 数据类型为 Dict[str, int]。

例8 high dimensional 组件示例程序 Github

# coding=utf-8
import numpy as np
from visualdl import LogWriter
 
# 创建一个 LogWriter 对象
log_writer = LogWriter("./log", sync_cycle=10)
 
# 创建一个 high dimensional 组件，模式设为 train
with log_writer.mode("train") as logger:
    train_embedding = logger.embedding()
 
# 第一个参数为数据，数据类型为 List[List(float)]
hot_vectors = np.random.uniform(1, 2, size=(10, 3))
# 第二个参数为字典，数据类型为 Dict[str, int]
# 其中第一个分量为坐标点的名称, 第二个分量为该坐标对应原数据的第几行分量
word_dict = {
    "label_1": 5,
    "label_2": 4,
    "label_3": 3,
    "label_4": 2,
    "label_5": 1,}
 
# 使用 add_embeddings_with_word_dict(data, Dict)
train_embedding.add_embeddings_with_word_dict(hot_vectors, word_dict)

运行上述程序后，在命令行中执行

visualdl --logdir ./log --host 0.0.0.0 --port 8080

接着在浏览器打开http://0.0.0.0:8080，点击页面最上方的 HIGHDIMENSIONAL 选项，即可查看数据映射后的相对位置。

图6. high dimensional 组件展示平面坐标

图7. high dimensional 组件展示直角坐标

graph — 神经网络可视化组件

graph 组件用于神经网络模型结构的可视化，该组件可以展示 Paddle 格式和 ONNX 格式保存的模型。graph 组件可帮助用户理解神经网络的模型结构，也有助于排查神经网络的配置错误。

与其他需要记录数据的组件不同，使用 graph 组件的唯一要素就是指定模型文件的存放位置，即在 visualdl 命令中增加选项 —model_pb 来指定模型文件的存放路径，则可在前端看到相应效果。

例9 graph 组件示例程序（下面示例展示了如何用 Paddle 保存一个 Lenet-5 模型）Github

# coding=utf-8
import paddle.fluid as fluid
 
 
def lenet_5(img):
    '''
    定义神经网络结构
    '''
    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")
    return predition
 
 
# 变量赋值
image = fluid.layers.data(name="img", shape=[1, 28, 28], dtype="float32")
predition = lenet_5(image)
 
place = fluid.CPUPlace()
exe = fluid.Executor(place=place)
exe.run(fluid.default_startup_program())
 
# 使用函数 save_inference_model() 保存 paddle 模型
fluid.io.save_inference_model(
    "./paddle_lenet_5_model",
    feeded_var_names=[image.name],
    target_vars=[predition],
    executor=exe)

运行上述程序后，在命令行中执行

visualdl --logdir ./log --host 0.0.0.0 --port 8080 --model_pb paddle_lenet_5_model

接着在浏览器打开http://0.0.0.0:8080，点击页面最上方的GRAPHS选项，即可查看 Lenet-5 的模型结构。

图8. graph 组件展示 Lenet-5 的模型结构