模型可视化¶
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, image, audio, graph, histogram, pr curve, high dimensional 七个组件,项目正处于高速迭代中,敬请期待新组件的加入。
组件名称 | 展示图表 | 作用 |
---|---|---|
Scalar | 折线图 | 动态展示损失函数值、准确率等标量数据 |
Image | 图片可视化 | 显示图片,可显示输入图片和处理后的结果,便于查看中间过程的变化 |
Audio | 音频播放 | 播放训练过程中的音频数据,监控语音识别与合成等任务的训练过程 |
Graph | 网络结构 | 展示网络结构、节点属性及数据流向,辅助学习、优化网络结构 |
Histogram | 直方图 | 展示训练过程中权重、梯度等张量的分布 |
PR Curve | 折线图 | 权衡精度与召回率之间的平衡关系,便于选择最佳阈值 |
High Dimensional | 数据降维 | 将高维数据映射到 2D/3D 空间来可视化嵌入,便于观察不同数据的相关性 |
Scalar -- 折线图组件¶
介绍¶
Scalar 组件的输入数据类型为标量,该组件的作用是将训练参数以折线图形式呈现。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。
记录接口¶
Scalar 组件的记录接口如下:
add_scalar(tag, value, step, walltime=None)
接口参数说明如下:
参数 | 格式 | 含义 |
---|---|---|
tag | string | 记录指标的标志,如train/loss ,不能含有% |
value | float | 要记录的数据值 |
step | int | 记录的步数 |
walltime | int | 记录数据的时间戳,默认为当前时间戳 |
Demo¶
基础使用
下面展示了使用 Scalar 组件记录数据的示例,代码文件请见Scalar组件
from visualdl import LogWriter
if __name__ == '__main__':
value = [i/1000.0 for i in range(1000)]
# 初始化一个记录器
with LogWriter(logdir="./log/scalar_test/train") as writer:
for step in range(1000):
# 向记录器添加一个tag为`acc`的数据
writer.add_scalar(tag="acc", step=step, value=value[step])
# 向记录器添加一个tag为`loss`的数据
writer.add_scalar(tag="loss", step=step, value=1/(value[step] + 1))
运行上述程序后,在命令行执行
visualdl --logdir ./log --port 8080
接着在浏览器打开http://127.0.0.1:8080
,即可查看以下折线图。
多组实验对比
下面展示了使用Scalar组件实现多组实验对比
多组实验对比的实现分为两步:
创建子日志文件储存每组实验的参数数据
将数据写入scalar组件时,使用相同的tag,即可实现对比不同实验的同一类型参数
from visualdl import LogWriter
if __name__ == '__main__':
value = [i/1000.0 for i in range(1000)]
# 步骤一:创建父文件夹:log与子文件夹:scalar_test
with LogWriter(logdir="./log/scalar_test") as writer:
for step in range(1000):
# 步骤二:向记录器添加一个tag为`train/acc`的数据
writer.add_scalar(tag="train/acc", step=step, value=value[step])
# 步骤二:向记录器添加一个tag为`train/loss`的数据
writer.add_scalar(tag="train/loss", step=step, value=1/(value[step] + 1))
# 步骤一:创建第二个子文件夹scalar_test2
value = [i/500.0 for i in range(1000)]
with LogWriter(logdir="./log/scalar_test2") as writer:
for step in range(1000):
# 步骤二:在同样名为`train/acc`下添加scalar_test2的accuracy的数据
writer.add_scalar(tag="train/acc", step=step, value=value[step])
# 步骤二:在同样名为`train/loss`下添加scalar_test2的loss的数据
writer.add_scalar(tag="train/loss", step=step, value=1/(value[step] + 1))
运行上述程序后,在命令行执行
visualdl --logdir ./log --port 8080
接着在浏览器打开http://127.0.0.1:8080
,即可查看以下折线图,对比「scalar_test」和「scalar_test2」的Accuracy和Loss。
*多组实验对比的应用案例可参考AI Studio项目:VisualDL 2.0--眼疾识别训练可视化
功能操作说明¶
支持数据卡片「最大化」、「还原」、「坐标系转化」(y轴对数坐标)、「下载」折线图
数据点Hover展示详细信息
可搜索卡片标签,展示目标图像
可搜索打点数据标签,展示特定数据
X轴有三种衡量尺度
Step:迭代次数
Walltime:训练绝对时间
Relative:训练时长
可调整曲线平滑度,以便更好的展现参数整体的变化趋势
Image -- 图片可视化组件¶
介绍¶
Image 组件用于显示图片数据随训练的变化。在模型训练过程中,将图片数据传入 Image 组件,就可在 VisualDL 的前端网页查看相应图片。
记录接口¶
Image 组件的记录接口如下:
add_image(tag, img, step, walltime=None)
接口参数说明如下:
参数 | 格式 | 含义 |
---|---|---|
tag | string | 记录指标的标志,如train/loss ,不能含有% |
img | numpy.ndarray | 以ndarray格式表示的图片 |
step | int | 记录的步数 |
walltime | int | 记录数据的时间戳,默认为当前时间戳 |
Demo¶
下面展示了使用 Image 组件记录数据的示例,代码文件请见Image组件
import numpy as np
from PIL import Image
from visualdl import LogWriter
def random_crop(img):
"""获取图片的随机 100x100 分片
"""
img = Image.open(img)
w, h = img.size
random_w = np.random.randint(0, w - 100)
random_h = np.random.randint(0, h - 100)
r = img.crop((random_w, random_h, random_w + 100, random_h + 100))
return np.asarray(r)
if __name__ == '__main__':
# 初始化一个记录器
with LogWriter(logdir="./log/image_test/train") as writer:
for step in range(6):
# 添加一个图片数据
writer.add_image(tag="eye",
img=random_crop("../../docs/images/eye.jpg"),
step=step)
运行上述程序后,在命令行执行
visualdl --logdir ./log --port 8080
在浏览器输入http://127.0.0.1:8080
,即可查看图片数据。
Audio--音频播放组件¶
介绍¶
Audio组件实时查看训练过程中的音频数据,监控语音识别与合成等任务的训练过程。
记录接口¶
Audio 组件的记录接口如下:
add_audio(tag, audio_array, step, sample_rate)
接口参数说明如下:
参数 | 格式 | 含义 |
---|---|---|
tag | string | 记录指标的标志,如audio_tag ,不能含有% |
audio_arry | numpy.ndarray | 以ndarray格式表示的音频 |
step | int | 记录的步数 |
sample_rate | int | 采样率,注意正确填写对应音频的原采样率 |
Demo¶
下面展示了使用 Audio 组件记录数据的示例,代码文件请见Audio组件
from visualdl import LogWriter
import numpy as np
import wave
def read_audio_data(audio_path):
"""
Get audio data.
"""
CHUNK = 4096
f = wave.open(audio_path, "rb")
wavdata = []
chunk = f.readframes(CHUNK)
while chunk:
data = np.frombuffer(chunk, dtype='uint8')
wavdata.extend(data)
chunk = f.readframes(CHUNK)
# 8k sample rate, 16bit frame, 1 channel
shape = [8000, 2, 1]
return shape, wavdata
if __name__ == '__main__':
with LogWriter(logdir="./log") as writer:
audio_shape, audio_data = read_audio_data("./testing.wav")
audio_data = np.array(audio_data)
writer.add_audio(tag="audio_tag",
audio_array=audio_data,
step=0,
sample_rate=8000)
运行上述程序后,在命令行执行
visualdl --logdir ./log --port 8080
在浏览器输入http://127.0.0.1:8080
,即可查看音频数据。
Graph--网络结构组件¶
介绍¶
Graph组件一键可视化模型的网络结构。用于查看模型属性、节点信息、节点输入输出等,并进行节点搜索,协助开发者们快速分析模型结构与了解数据流向。
Demo¶
共有两种启动方式:
前端模型文件拖拽上传:
如只需使用Graph组件,则无需添加任何参数,在命令行执行
visualdl
后即可启动面板进行上传。如果同时需使用其他功能,在命令行指定日志文件路径(以
./log
为例)即可启动面板进行上传:
visualdl --logdir ./log --port 8080
后端启动Graph:
在命令行加入参数
--model
并指定模型文件路径(非文件夹路径),即可启动并查看网络结构可视化:
visualdl --model ./log/model --port 8080
功能操作说明¶
一键上传模型
支持模型格式:PaddlePaddle、ONNX、Keras、Core ML、Caffe、Caffe2、Darknet、MXNet、ncnn、TensorFlow Lite
实验性支持模型格式:TorchScript、PyTorch、Torch、 ArmNN、BigDL、Chainer、CNTK、Deeplearning4j、MediaPipe、ML.NET、MNN、OpenVINO、Scikit-learn、Tengine、TensorFlow.js、TensorFlow
支持上下左右任意拖拽模型、放大和缩小模型
搜索定位到对应节点
点击查看模型属性
支持选择模型展示的信息
支持以PNG、SVG格式导出模型结构图
点击节点即可展示对应属性信息
支持一键更换模型
Histogram--直方图组件¶
介绍¶
Histogram组件以直方图形式展示Tensor(weight、bias、gradient等)数据在训练过程中的变化趋势。深入了解模型各层效果,帮助开发者精准调整模型结构。
记录接口¶
Histogram 组件的记录接口如下:
add_histogram(tag, values, step, walltime=None, buckets=10)
接口参数说明如下:
参数 | 格式 | 含义 |
---|---|---|
tag | string | 记录指标的标志,如train/loss ,不能含有% |
values | numpy.ndarray or list | 以ndarray或list格式表示的数据 |
step | int | 记录的步数 |
walltime | int | 记录数据的时间戳,默认为当前时间戳 |
buckets | int | 生成直方图的分段数,默认为10 |
Demo¶
下面展示了使用 Histogram组件记录数据的示例,代码文件请见Histogram组件
from visualdl import LogWriter
import numpy as np
if __name__ == '__main__':
values = np.arange(0, 1000)
with LogWriter(logdir="./log/histogram_test/train") as writer:
for index in range(1, 101):
interval_start = 1 + 2 * index / 100.0
interval_end = 6 - 2 * index / 100.0
data = np.random.uniform(interval_start, interval_end, size=(10000))
writer.add_histogram(tag='default tag',
values=data,
step=index,
buckets=10)
运行上述程序后,在命令行执行
visualdl --logdir ./log --port 8080
在浏览器输入http://127.0.0.1:8080
,即可查看训练参数直方图。
功能操作说明¶
支持数据卡片「最大化」、直方图「下载」
可选择Offset或Overlay模式
Offset模式
Overlay模式
数据点Hover展示参数值、训练步数、频次
在第240次训练步数时,权重为-0.0031,且出现的频次是2734次
可搜索卡片标签,展示目标直方图
可搜索打点数据标签,展示特定数据流
PR Curve--PR曲线组件¶
介绍¶
PR Curve以折线图形式呈现精度与召回率的权衡分析,清晰直观了解模型训练效果,便于分析模型是否达到理想标准。
记录接口¶
PR Curve组件的记录接口如下:
add_pr_curve(tag, labels, predictions, step=None, num_thresholds=10)
接口参数说明如下:
参数 | 格式 | 含义 |
---|---|---|
tag | string | 记录指标的标志,如train/loss ,不能含有% |
labels | numpy.ndarray or list | 以ndarray或list格式表示的实际类别 |
predictions | numpy.ndarray or list | 以ndarray或list格式表示的预测类别 |
step | int | 记录的步数 |
num_thresholds | int | 阈值设置的个数,默认为10,最大值为127 |
Demo¶
下面展示了使用 PR Curve 组件记录数据的示例,代码文件请见PR Curve组件
from visualdl import LogWriter
import numpy as np
with LogWriter("./log/pr_curve_test/train") as writer:
for step in range(3):
labels = np.random.randint(2, size=100)
predictions = np.random.rand(100)
writer.add_pr_curve(tag='pr_curve',
labels=labels,
predictions=predictions,
step=step,
num_thresholds=5)
运行上述程序后,在命令行执行
visualdl --logdir ./log --port 8080
接着在浏览器打开http://127.0.0.1:8080
,即可查看PR Curve
功能操作说明¶
支持数据卡片「最大化」,「还原」、「下载」PR曲线
数据点Hover展示详细信息:阈值对应的TP、TN、FP、FN
可搜索卡片标签,展示目标图表
可搜索打点数据标签,展示特定数据
支持查看不同训练步数下的PR曲线
X轴-时间显示类型有三种衡量尺度
Step:迭代次数
Walltime:训练绝对时间
Relative:训练时长
High Dimensional -- 数据降维组件¶
介绍¶
High Dimensional 组件将高维数据进行降维展示,用于深入分析高维数据间的关系。目前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
记录接口¶
High Dimensional 组件的记录接口如下:
add_embeddings(tag, labels, hot_vectors, walltime=None)
接口参数说明如下:
参数 | 格式 | 含义 |
---|---|---|
tag | string | 记录指标的标志,如default ,不能含有% |
labels | numpy.array 或 list | 一维数组表示的标签,每个元素是一个string类型的字符串 |
hot_vectors | numpy.array or list | 与labels一一对应,每个元素可以看作是某个标签的特征 |
walltime | int | 记录数据的时间戳,默认为当前时间戳 |
Demo¶
下面展示了使用 High Dimensional 组件记录数据的示例,代码文件请见High Dimensional组件
from visualdl import LogWriter
if __name__ == '__main__':
hot_vectors = [
[1.3561076367500755, 1.3116267195134017, 1.6785401875616097],
[1.1039614644440658, 1.8891609992484688, 1.32030488587171],
[1.9924524852447711, 1.9358920727142739, 1.2124401279391606],
[1.4129542689796446, 1.7372166387197474, 1.7317806077076527],
[1.3913371800587777, 1.4684674577930312, 1.5214136352476377]]
labels = ["label_1", "label_2", "label_3", "label_4", "label_5"]
# 初始化一个记录器
with LogWriter(logdir="./log/high_dimensional_test/train") as writer:
# 将一组labels和对应的hot_vectors传入记录器进行记录
writer.add_embeddings(tag='default',
labels=labels,
hot_vectors=hot_vectors)
运行上述程序后,在命令行执行
visualdl --logdir ./log --port 8080
接着在浏览器打开http://127.0.0.1:8080
,即可查看降维后的可视化数据。