基于深度学习PaddlePaddle可视化工具VisualDL
基于深度学习PaddlePaddle可视化工具VisualDL
引言：
当使用PaddlePaddle训练大量深层的神经网络时，开发者希望跟踪整个神经训练过程的信息，例如loss的变化趋势，迭代过程中参数的变化、分布及背后的原因、模型的网络结构等。PaddlePaddle推出的可视化工具VisualDL，只需要以下两个简单步骤，即可更好的调试和优化神经网络的训练过程：
- 调用Paddle Fluid的模型接口save_inference_model进行模型保存
- 使用VisualDL提供的命令行工具加载模型，在浏览器中访问
具体应用方式，请听小编为你详细解读：
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 LogWriter2. 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, acc3. 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