【Model Log】模型评估指标可视化，自动画Loss、Accuracy曲线图工具，无需人工参与!

1. Model Log 介绍

Model Log 是一款基于 Python3 的轻量级机器学习(Machine Learning)、深度学习(Deep Learning)模型训练评估指标可视化工具，与 TensorFlow、Pytorch、PaddlePaddle结合使用，可以记录模型训练过程当中的超参数、Loss、Accuracy、Precision、F1值等，并以曲线图的形式进行展现对比，轻松三步即可实现。

通过调节超参数的方式多次训练模型，并使用 Model Log 工具进行记录，可以很直观的进行模型对比，堪称调参神器。以下是使用工具后模型训练时 Loss 的变化曲线图。访问线上体验版：http://mantchs.com/model_log.html

通过上图可以很清晰的看出两个模型的训练效果，而且在表格当中高亮显示修改过的超参数，方便进行模型分析。

2. Model Log 特性

• 轻量级、无需任何配置、极简API、开箱即用。
• 只需要把模型的超参数和评估指标数据通过API添加即可，轻松三步即可实现。
• 高亮显示修改过的超参数，方便进行模型分析。
• 自动检测和获取正在训练的模型数据，并进行可视化，无需人工参与。
• 使用 SQLite 轻量级本地数据库存储，可供多个用户同时使用，保证每个用户看到的数据是独立的。
• 可视化组件采用 Echarts 框架，交互式曲线图设计，可清晰看到每个 epoch 周期的指标数据和变化趋势。

3. Model Log 演示地址

访问线上体验版：http://mantchs.com/model_log.html

4. Model Log 安装

Python3 版本以上，通过 pip 进行安装即可。

pip install model-log

注意：若安装的过程中出现以下情况，说明 model-log 命令已经安装到Python下的bin目录中，如果直接输入 model-log 可能会出现 command not found，可以直接到bin目录下执行。

5. Model Log 使用

5.1 启动 web 端

Model Log 安装成功后，Linux、Mac用户直接终端输入以下命令，Windows用户在cmd窗口输入：

model-log

默认启动 5432端口，可以在启动命令上使用参数 -p=5000 指定端口号。若提示命令不存在，可以直接到Python/3.7/bin目录下执行。

启动后可在浏览器输入网址进入：http://127.0.0.1:5432

也可访问线上体验版：http://mantchs.com/model_log.html

• web首页是项目列表，一个项目可以有多个模型，这些模型可以在曲线图中直观比较。

• web 端会自动检测是否有新模型开始训练，如果有，直接会跳转到相应的 loss 等评价指标页，同时会自动获取指标数据进行呈现。

• 可供多个用户使用，添加昵称即可，SQLite 轻量级本地数据库存储，保证每个用户看到的数据是独立的。

• 通过点击曲线图下方的图例，可切换不同模型的评估曲线。

  

5.2 Model Log API使用

轻松三步即可使用

1. 第一步：先创建 ModelLog 类，并添加必要的属性

   from model_log.modellog import ModelLog
   """
   :param nick_name:        str，昵称，多人使用下可起到数据隔离。
   :param project_name:     str，项目名称。
   :param project_remark:   str，项目备注，默认为空。 
   
   项目名称如不存在会新建
   """
   model_log = ModelLog(nick_name='mantch', project_name='demo实体识别', project_remark='')
   
   """
   :param model_name: str，模型名称
   """
   model_log.add_model_name(model_name='BILSTM_CRF模型')
   
   """
   :param remark: str，模型备注
   """
   model_log.add_model_remark(remark='模型备注')
   
   """
   :param param_dict: dict，训练参数字典
   :param param_type: str，参数类型，例如：TF参数、Word2Vec参数等。
   """
   model_log.add_param(param_dict={'lr':0.01}, param_type='tf_param')
   

2. 第二步：模型训练的每次 epoch (周期)可以添加评估指标数据，评估指标可以进行以下选择。

   第一次调用该 API 时，会把以上设置的数据(模型名称、备注等)持久化到 SQLite 数据库，并且 web 端会自动获取评估指标数据进行图形化展示。

   """
   :param metric_name:  str，评估指标名称，
   	可选择['train_loss', 'test_loss', 'test_acc', 'test_recall', 'test_precision', 'test_F1']
   
   :param metric_value: float，评估指标数值。
   :param epoch:        int，训练周期
   
   metric_name 参数只可以选择以上六种
   第一次调用该 API 时，会把以上设置的数据(模型名称、备注等)持久化到 SQLite 数据库，并且 web 端会自动获取数据进行图形化展示。
   可以在每个 epoch 周期的最后使用该 API 添加训练集和测试集的评估指标，web 端会自动获取该数据。
   """
   model_log.add_metric(metric_name='train_loss', metric_value=4.5646, epoch=1)
   

3. 第三步：模型训练完成后，可以添加最好的一次评估数据。

   """
   :param best_name:  str，最佳评估指标名称，
   :param best_value: float，最佳评估指标数值。
   :param best_epoch: int，训练周期
   
   添加当前模型训练中最佳的评估数据，一般放到模型训练的最后进行添加。
   """
   model_log.add_best_result(best_name='best_loss', best_value=1.2122, best_epoch=30)
   
   """
   关闭 SQLite 数据库连接
   """
   model_log.close()
   

5.3 Model Log 使用示例

MIST手写数字识别：https://github.com/NLP-LOVE/Model_Log/blob/master/demo_TF_MIST.py