add introduction

docs/introduction/introduction.md

@@ -0,0 +1,91 @@
+## Visual DL
+`Visual DL`：让你的深度学习任务变得生动形象，可视化起来。
+
+目前大部分深度学习框架都是基于Python语言，训练过程的状态通过日志的方式记录下来，类似下面这种：
+
+```shell
+loss:[2.532566] acc:[0.0859375] pass_acc:[0.0859375]
+loss:[2.6916795] acc:[0.09375] pass_acc:[0.08984375]
+loss:[2.7038598] acc:[0.1171875] pass_acc:[0.09895834]
+loss:[2.6405232] acc:[0.125] pass_acc:[0.10546875]
+```
+
+这种方式可以短期看一下训练状态，但是很难从全局把握训练过程的一些变化趋势，提取的信息有限。
+
+Visual DL 让你方便的将训练过程可视化起来，形成类似下面的图片：
+<p align="center">
+<img src="scalar.png"/>
+</p>
+
+上述只是Visual DL诸多功能中的一项，Visual DL有以下几方面的优点。
+
+### 功能全
+1. Scalar. 支持Scalar打点数据展示，如上图所示：
+	- 可以将训练过程中的loss，准确率等信息以折现的形式体现出来，方便看出整体趋势。
+	- 可以在同一个图片中画出多条曲线，方便对比分析。
+2. Image. 支持图片展示。
+	- 输入图片展示，方便查看数据样本的质量
+	- 支持卷积层的结果展示，方便查看卷积之后的效果。
+<p align="center">
+<img src="dog.png" height="300" width="300"/>
+</p>
+	- 支持图像生成任务生成图片的预览。
+<p align="center">
+<img src="image-gan.png" height="300" width="300"/>
+</p>
+
+3. Histogram. 参数分布展示，方便查看参数矩阵中数值的分布曲线，以及随着训练的进行，参数数值分布的变化趋势。
+	- 帮助用户理解训练过程，随着训练的进行，参数从一种分布变化到另外一种分布，背后对应的原因。
+	- 方便用户判断训练是否正常，例如参数迅速变小到0或者迅速变大，说明有梯度消失或者梯度爆炸的问题。
+<p align="center">
+<img src="histogram.png" />
+</p>
+
+4. Graph. 方便查看深度神经网络的模型结构。
+	- Graph支持直接对[ONNX](http://onnx.ai/)的模型进行预览，因为MXNet，Caffe2，Pytorch和CNTK都支持转成ONNX的模型，也就间接支持了这些框架的模型可视化功能。
+	- 便于排查网络配置的错误
+	- 帮助理解网络结构
+
+<p align="center">
+<img src="graph.png" height="250" width="400"/>
+</p>
+
+### 易集成
+Visual DL提供独立的Python SDK，如果训练任务是基于Python的话，直接安装visualdl的whl包，import到自己项目中即可使用。
+
+a. 安装visualdl包。
+
+```shell
+pip install visualdl
+```
+b. 在自己的Python代码中加入visualdl记日志的逻辑。
+
+```python
+import visualdl
+```
+
+### 易使用
+a. 在自己的Python代码中加入visualdl记日志的逻辑。
+
+```python
+import visualdl
+
+log_writer = LogWriter("./log", sync_cycle=30)
+with log_writer.mode('train') as logger:
+	loss_writer = logger.scalar("loss")
+
+for step in steps:
+	loss = train_process()
+	loss_writer.add_record(step, loss)
+```
+
+b. 启动visualdl service即可通过浏览器查看日志的可视化结果。
+
+```shell
+visualDL --logdir ./log --port 8080
+```
+
+### 完全开放
+Visual DL作为一个深度学习任务可视化工具，同时支持所有的深度学习框架。SDK层面可以方便的集成到Python或者C++项目中，Graph通过支持ONNX支持了PaddlePaddle、MxNet、PyTorch和Caffe2等流行的深度学习框架。
+
+欢迎大家一起来改进，让工具变得更好用，提高大家的工作效率。