Caffe可视化之VisualDL

Visual DL是由 PaddlePaddle 和 ECharts 合作推出的一款深度学习可视化工具，其能够可视化scalar、参数分布、模型结构、图像等。底层采用C++编写，上层SDK以python为主，也可以使用C++集成到其它平台。

如果你正在寻求深度学习任务设计的可视化工具，可以考虑Visual DL。类似于Tensorboard的在线可视化，支持更多的平台。VisualDL 兼容 ONNX, 通过与 python SDK的结合，VisualDL可以兼容包括 PaddlePaddle、 Pytorch、 MXNet 等在内的大部分主流DNN平台。而Tensorboard目前仅适用于Tensorflow、Pytorch、MXNet等。

本文介绍其最简单的scalar的用法, 用于展示训练测试的误差趋势。

安装

pip install --upgrade visualdl
库文件core.so及demo等python文件被放在site-package目录下面。

可以不从源码编译，而直接使用pip下载的core.so, 但是需要使用protoc将storage.pb转成C++源码文件，因为在使用sdk.h时会include protobuf生成的头文件。protoc得到的protobuf头文件版本与VisualDL编译所使用的protobuf版本最好一致（VisualDL使用的cmake版本号定义在VisualDL/cmake/external/protobuf.cmake中，如果两个库中使用了不同的版本，在运行时会冲突）。
protoc storage.proto --cpp_out .

使用

Python 中记录 Scalar 示例：

import random
from visualdl import LogWriter

# 指定输出目录，同步周期
logdir = "./log"
logger = LogWriter(logdir, sync_cycle=30)

# 设置此次记录的模式标签： train/test等
with logger.mode("train"):
    # 创建名为 'scalars/loss0' 的scalar组件
    loss0 = logger.scalar("scalars/loss0")

# 模拟训练过程中的标量数据记录
for step in range(1000):
    loss0.add_record(step, random.random())

运行之后会在logdir中生成日志文件，该日志目录中的文件可被VisualDL工具解析，用法与Tensorboard类似。

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曲线

虽然caffe1的大势已去，但做一些遗留的项目代码研究还是要用的。如果上述的示例能够成功运行，那么在caffe1中记录loss scalar是很容易的。

1. 可以使用caffe的python接口获取loss。
2. C++中调用VisualDL，如在solver.cpp中记录loss。编译时链接到VisualDL。示例代码在此 frcnn。
   由于VisualDL静态链接了特定版本的protobuf，而caffe也需要protobuf，可以修改caffe的编译选项，取消对protobuf的动态链接。

在caffe1中还可以使用VisualDL的image功能，来可视化任何tensor，或模型生成的图片。通过使用VisualDL工具可以大大方便我们的可视化方式，不必再写额外的脚本独立地来做可视化。

查看board面板

visualDL --logdir
选项：

• --host 绑定地址，如ipv6本地地址 ::
• --port 绑定端口
• --model_pb 指定ONNX可交换模型文件

得到的loss曲线如下：