# 介绍 VisualDL是一个面向深度学习任务设计的可视化工具，包含了scalar、参数分布、模型结构、图像可视化等功能，项目正处于高速迭代中，新的组件会不断加入。 目前大多数DNN平台均使用Python作为配置语言，VisualDL原生支持python的使用， 通过在模型的Python配置中添加几行，便可以为训练过程提供丰富的可视化支持。 除了Python SDK之外，VisualDL底层采用C++编写，其暴露的C++ SDK也可以集成到其他平台中， 实现原生的性能和定制效果。 ## 我为什么要用 VisualDL？ Visual DL有以下几方面的优点。 ### 可视化 目前大部分深度学习框架都是基于Python语言，训练过程的状态通过日志的方式记录下来， 这种方式可以短期看一下训练状态，但是很难从全局把握训练过程的一些变化趋势，提取的信息有限。 Visual DL 让你方便的将训练过程可视化起来，形成类似下面的图片：

### 易集成 Visual DL提供独立的Python SDK，如果训练任务是基于Python的话，直接安装visualdl的whl包，import到自己项目中即可使用。 详情请参阅安装。 ### 易使用 - 在自己的Python代码中加入visualdl记日志的逻辑。 ```python import visualdl log_writer = LogWriter("./log", sync_cycle=30) with log_writer.mode('train') as logger: loss_writer = logger.scalar("loss") for step in steps: loss = train_process() loss_writer.add_record(step, loss) ``` - 启动visualdl service即可通过浏览器查看日志的可视化结果。 ```shell visualdl --logdir ./log --port 8080 ``` ### 功能全 1. Scalar. 支持Scalar打点数据展示，如上图所示： - 可以将训练过程中的loss，准确率等信息以折现的形式体现出来，方便看出整体趋势。 - 可以在同一个图片中画出多条曲线，方便对比分析。 2. Image. 支持图片展示。 - 输入图片展示，方便查看数据样本的质量 - 支持卷积层的结果展示，方便查看卷积之后的效果。

- 支持图像生成任务生成图片的预览。

3. Histogram. 参数分布展示，方便查看参数矩阵中数值的分布曲线，以及随着训练的进行，参数数值分布的变化趋势。 - 帮助用户理解训练过程，随着训练的进行，参数从一种分布变化到另外一种分布，背后对应的原因。 - 方便用户判断训练是否正常，例如参数迅速变小到0或者迅速变大，说明有梯度消失或者梯度爆炸的问题。

4. Graph. 方便查看深度神经网络的模型结构。 - Graph支持直接对[ONNX](http://onnx.ai/)的模型进行预览，因为MXNet，Caffe2，Pytorch和CNTK都支持转成ONNX的模型，也就间接支持了这些框架的模型可视化功能。 - 便于排查网络配置的错误 - 帮助理解网络结构

### 完全开放 Visual DL作为一个深度学习任务可视化工具，同时支持所有的深度学习框架。SDK层面可以方便的集成到Python或者C++项目中，Graph通过支持ONNX支持了PaddlePaddle、MxNet、PyTorch和Caffe2等流行的深度学习框架。 欢迎大家一起来改进，让工具变得更好用，提高大家的工作效率。