数据模型可视化功能说明

更新时间：2025-08-21

当前BML Notebook已经集成VisualDL工具以实现数据模型可视化，您可在可视化tab中启动VisualDL服务。

VisualDL工具

VisualDL是一个面向深度学习任务设计的可视化工具，利用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	音频可视化	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
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--标量组件

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

*注意tag的使用规则为：

1、第一个/前的为父tag，并作为一栏图片的tag
2、第一个/后的为子tag，子tag的对应图片将显示在父tag下
3、可以使用多次/，但一栏图片的tag依旧为第一个/前的tag

具体使用参见以下三个例子：

创建train为父tag，acc和loss为子tag：train/acc、 train/loss，即创建了tag为train的图片栏，包含acc和loss两张图片：

创建train为父tag，test/acc和test/loss为子tag：train/test/acc、 train/test/loss，即创建了tag为train的图片栏，包含test/acc和test/loss两张图片：

创建两个父tag：acc、 loss，即创建了tag分别为acc和loss的两个图片栏：

Demo

基础使用

下面展示了使用 Scalar 组件记录数据的示例：

Plain Text

1from visualdl import LogWriter
2
3if __name__ == '__main__':
4    value = [i/1000.0 for i in range(1000)]
5    # 初始化一个记录器
6    with LogWriter(logdir="./log/scalar_test/train") as writer:
7        for step in range(1000):
8            # 向记录器添加一个tag为`acc`的数据
9            writer.add_scalar(tag="acc", step=step, value=value[step])
10            # 向记录器添加一个tag为`loss`的数据
11            writer.add_scalar(tag="loss", step=step, value=1/(value[step] + 1))

运行上述程序后，点击可视化选择相应日志文件即可查看可视化结果：

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：

1、创建子日志文件储存每组实验的参数数据 2、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

Plain Text

1from visualdl import LogWriter
2
3if __name__ == '__main__':
4    value = [i/1000.0 for i in range(1000)]
5    # 步骤一：创建父文件夹：log与子文件夹：scalar_test
6    with LogWriter(logdir="./log/scalar_test") as writer:
7        for step in range(1000):
8            # 步骤二：向记录器添加一个tag为`train/acc`的数据
9            writer.add_scalar(tag="train/acc", step=step, value=value[step])
10            # 步骤二：向记录器添加一个tag为`train/loss`的数据
11            writer.add_scalar(tag="train/loss", step=step, value=1/(value[step] + 1))
12    # 步骤一：创建第二个子文件夹scalar_test2       
13    value = [i/500.0 for i in range(1000)]
14    with LogWriter(logdir="./log/scalar_test2") as writer:
15        for step in range(1000):
16            # 步骤二：在同样名为`train/acc`下添加scalar_test2的accuracy的数据
17            writer.add_scalar(tag="train/acc", step=step, value=value[step])
18            # 步骤二：在同样名为`train/loss`下添加scalar_test2的loss的数据
19            writer.add_scalar(tag="train/loss", step=step, value=1/(value[step] + 1))

运行上述程序后，点击可视化选择相应日志文件即可查看以下折线图，观察scalar_test和scalar_test2的accuracy和loss的对比。

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

1、Step：迭代次数
2、Walltime：训练绝对时间
3、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：

Plain Text

1import numpy as np
2from PIL import Image
3from visualdl import LogWriter
4
5
6def random_crop(img):
7    """获取图片的随机 100x100 分片
8    """
9    img = Image.open(img)
10    w, h = img.size
11    random_w = np.random.randint(0, w - 100)
12    random_h = np.random.randint(0, h - 100)
13    r = img.crop((random_w, random_h, random_w + 100, random_h + 100))
14    return np.asarray(r)
15
16
17if __name__ == '__main__':
18    # 初始化一个记录器
19    with LogWriter(logdir="./log/image_test/train") as writer:
20        for step in range(6):
21            # 添加一个图片数据
22            writer.add_image(tag="eye",
23                             img=random_crop("../../docs/images/eye.jpg"),
24                             step=step)

运行上述程序后，点击可视化选择相应日志文件即可查看可视化结果。

功能操作说明

可搜索图片标签显示对应图片数据

支持滑动Step/迭代次数查看不同迭代次数下的图片数据

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`train/loss`，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采样率

Demo

下面展示了使用 Image 组件记录数据的示例：

Plain Text

1from visualdl import LogWriter
2import numpy as np
3import wave
4
5
6def read_audio_data(audio_path):
7    """
8    Get audio data.
9    """
10    CHUNK = 4096
11    f = wave.open(audio_path, "rb")
12    wavdata = []
13    chunk = f.readframes(CHUNK)
14    while chunk:
15        data = np.frombuffer(chunk, dtype='uint8')
16        wavdata.extend(data)
17        chunk = f.readframes(CHUNK)
18    # 8k sample rate, 16bit frame, 1 channel
19    shape = [8000, 2, 1]
20    return shape, wavdata
21
22
23if __name__ == '__main__':
24    with LogWriter(logdir="./log") as writer:
25        audio_shape, audio_data = read_audio_data("./testing.wav")
26        audio_data = np.array(audio_data)
27        writer.add_audio(tag="audio_tag",
28                         audio_array=audio_data,
29                         step=0,
30                         sample_rate=8000)

运行上述程序后，点击可视化选择相应日志文件即可查看可视化结果。

功能操作说明

可搜索音频标签显示对应音频数据

支持滑动Step/迭代次数查看不同迭代次数下的音频数据

支持播放/暂停音频数据

支持音量调节

支持音频下载

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。

在生成Model文件后，在可视化模块中选择模型文件，启动后即可查看网络结构可视化：

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格式导出文件

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：

Plain Text

1from visualdl import LogWriter
2import numpy as np
3
4
5if __name__ == '__main__':
6    values = np.arange(0, 1000)
7    with LogWriter(logdir="./log/histogram_test/train") as writer:
8        for index in range(1, 101):
9            interval_start = 1 + 2 * index / 100.0
10            interval_end = 6 - 2 * index / 100.0
11            data = np.random.uniform(interval_start, interval_end, size=(10000))
12            writer.add_histogram(tag='default tag',
13                                 values=data,
14                                 step=index,
15                                 buckets=10)

运行上述程序后，点击可视化选择相应日志文件即可查看可视化结果。

功能操作说明

支持数据卡片「最大化」、「下载」直方图

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`%`
values	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：

Plain Text

1from visualdl import LogWriter
2import numpy as np
3
4with LogWriter("./log/pr_curve_test/train") as writer:
5    for step in range(3):
6        labels = np.random.randint(2, size=100)
7        predictions = np.random.rand(100)
8        writer.add_pr_curve(tag='pr_curve',
9                            labels=labels,
10                            predictions=predictions,
11                            step=step,
12                            num_thresholds=5)

运行上述程序后，点击可视化选择相应日志文件即可查看可视化结果。

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.ndarray or 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.ndarray 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。

Plain Text

1from visualdl import LogWriter
2
3
4if __name__ == '__main__':
5    hot_vectors = [
6        [1.3561076367500755, 1.3116267195134017, 1.6785401875616097],
7        [1.1039614644440658, 1.8891609992484688, 1.32030488587171],
8        [1.9924524852447711, 1.9358920727142739, 1.2124401279391606],
9        [1.4129542689796446, 1.7372166387197474, 1.7317806077076527],
10        [1.3913371800587777, 1.4684674577930312, 1.5214136352476377]]
11
12    labels = ["label_1", "label_2", "label_3", "label_4", "label_5"]
13    # 初始化一个记录器
14    with LogWriter(logdir="./log/high_dimensional_test/train") as writer:
15        # 将一组labels和对应的hot_vectors传入记录器进行记录
16        writer.add_embeddings(tag='default',
17                              labels=labels,
18                              hot_vectors=hot_vectors)