来自加州伯克利的团队开源了Aim，一个号称搜索速度比TensorBoard快好几倍的机器学习可视化工具包，在Reddit上成为高热话题。

Aim可以在几分钟内记录、搜索和比较100项实验，而在TensorBoard或MLFlow上进行大量实验比较可能需要花费数小时。这对于实验管理非常有用，而且Aim超级容易上手。

和TensorBoard/MLFlow相比，Aim的优点主要是支持：

• 按参数进行搜索、分组
• 分列图表
• 汇总大量实验查看趋势
• 其他较小的实验指标和参数操作

比如，我们只想看训练集上的试验结果，将context.subset设置为train：

如果还想在搜索结果的基础上做进一步的筛选，去掉学习率0.00001的部分，只需再加入一个and条件：

如果对图中某个数据点感兴趣，点击它即可快速定位到相应表格位置。

是不是很方便？虽然界面可能简陋了点，但简洁易用就是Aim的主要特色。有网友表示，Aim看起来非常整洁，搜索语言看起来也很易用。

近年来，AI实验方面诞生了像trains和wandb这类第三方可视化工具。与这类工具比较，Aim在速度和数据隐私方面有很大的优势。

安装使用

运行Aim需要安装Docker，Aim本身通过pip方式安装。

pip3 install aim-cli

输入以下命令即可运行Aim的UI：

aim up

前提是你要在自己的AI模型里导入Aim

import aim…aim.set_params(hyperparam_dict, name=’params_name’)aim.track(metric_value, name=’metric_name’, epoch=the_epoch_value)…

Aim提供的方法有跟踪数据（track）、设置超参数（set_params）、指定自定义目录（session）。

最近，作者又给Aim加入了一项新功能：支持使用Tensorboard日志。方法如下：

aim up --tf_logs path/to/logs

此命令将在TensorFlow摘要日志上启动Aim，并从给定路径递归加载日志。

Aim的开发者承诺未来将提供Pytorch Lightning和Keras集成。

GitHub地址： https://github.com/Aimhubio/Aim

本文经AI新媒体量子位（公众号ID:QbitAI）授权转载，转载请联系出处。