如果你正在尋求深度學習任務設計的可視化工具，可以考慮Visual DL。類似于Tensorboard的在線可視化，支持更多的平臺。VisualDL 兼容 ONNX, 通過與 python SDK的結合，VisualDL可以兼容包括 PaddlePaddle、 Pytorch、 MXNet 等在內的大部分主流DNN平臺。而Tensorboard目前僅適用于Tensorflow、Pytorch、MXNet等。

本文介紹其最簡單的scalar的用法, 用于展示訓練測試的誤差趨勢。

安裝

pip install --upgrade visualdl
庫文件core.so及demo等python文件被放在site-package目錄下面。

可以不從源碼編譯，而直接使用pip下載的core.so, 但是需要使用protoc將storage.pb轉成C++源碼文件，因為在使用sdk.h時會include protobuf生成的頭文件。protoc得到的protobuf頭文件版本與VisualDL編譯所使用的protobuf版本***一致（VisualDL使用的cmake版本號定義在VisualDL/cmake/external/protobuf.cmake中，如果兩個庫中使用了不同的版本，在運行時會沖突）。
protoc storage.proto --cpp_out .

使用

Python 中記錄 Scalar 示例：

import random from visualdl import LogWriter  # 指定輸出目錄，同步周期 logdir = "./log" logger = LogWriter(logdir, sync_cycle=30)  # 設置此次記錄的模式標簽： train/test等 with logger.mode("train"):     # 創建名為 'scalars/loss0' 的scalar組件     loss0 = logger.scalar("scalars/loss0")  # 模擬訓練過程中的標量數據記錄 for step in range(1000):     loss0.add_record(step, random.random())

運行之后會在logdir中生成日志文件，該日志目錄中的文件可被VisualDL工具解析，用法與Tensorboard類似。

同功能的C++ SDK使用示例：

#include <cstdlib> #include <string> #include "visualdl/logic/sdk.h"  namespace vs = visualdl; namespace cp = visualdl::components;  int main() {   const std::string dir = "./log";   vs::LogWriter logger(dir, 30);    logger.SetMode("train");   auto tablet = logger.AddTablet("scalars/loss0");    cp::Scalar<float> loss0(tablet);    for (int step = 0; step < 1000; step++) {     float v = (float) std::rand() / RAND_MAX;     loss0.AddRecord(step, v);   }    return 0; }

caffe1-loss曲線

雖然caffe1的大勢已去，但做一些遺留的項目代碼研究還是要用的。如果上述的示例能夠成功運行，那么在caffe1中記錄loss scalar是很容易的。

1. 可以使用caffe的python接口獲取loss。
2. C++中調用VisualDL，如在solver.cpp中記錄loss。編譯時鏈接到VisualDL。示例代碼在此 frcnn。
   由于VisualDL靜態鏈接了特定版本的protobuf，而caffe也需要protobuf，可以修改caffe的編譯選項，取消對protobuf的動態鏈接。

在caffe1中還可以使用VisualDL的image功能，來可視化任何tensor，或模型生成的圖片。通過使用VisualDL工具可以大大方便我們的可視化方式，不必再寫額外的腳本獨立地來做可視化。

查看board面板

visualDL --logdir 
選項：

• --host 綁定地址，如ipv6本地地址 ::
• --port 綁定端口
• --model_pb 指定ONNX可交換模型文件

得到的loss曲線如下：