近年来,深度学习取得了迅猛的发展,并逐步发展为人工智能领域的主流研究方向。模型复杂性带来的问题是模型的缺乏可解释性,即模型是“黑盒”的,这极大地困扰着开发者、用户和监管者。可视分析是一门以可视交互界面为基础的分析推理科学,近年来在提升深度学习模型可解释性方面取得了巨大的进展。深度学习计算图的可视化是可视分析与深度学习的结合的重要技术,支持用户直观地探索模型整体结构和调试模型系统。随着模型规模的扩大,计算图复杂度也呈指数级上升,为计算图可视化带来两大挑战:1.布局效果和渲染性能不佳:由于大模型中含有大量的节点和边结构,现有的计算图可视化工具在展示多层次计算图时,出现边交叉较多、节点排列散乱等视觉混淆问题。当前计算图可视化工具多是基于SVG的第三方库实现,可视化大模型的性能不高。2.难以适配并行训练计算图:多设备并行训练是解决大模型训练性能瓶颈的一个重要方法。并行训练包含数据并行、模型并行、流水线并行、混合并行等多种并行策略,其中涉及到模型或训练数据的切分,和各个并行设备之间的通信,进一步增加了计算图结构的复杂性。目前业界还没有一个合理有效的并行训练计算图可视化解决方案。为解决问题（1）基于华为的开源深度学习框架Mind Spore开发了一个可视化系统,使用边绑定、同构子图堆叠等优化方法简化计算图的展示,并采用ELK基于层次的正交式布局算法进行布局,使得计算图的数据流向更加清晰可读。另一方面,为解决计算图展示的性能问题,采用Web GL相关技术进行渲染加速。最后,使用Res Net-50、Bert、VGG16等经典模型的测试结果表明,我们的方法在图结构可视化的简洁程度、模型结构的逻辑合理性、前端加载流畅性、用户交互易用性四个方面均优于现有的方法。针对问题（2）提出了一个新颖的计算图可视化解决方案,利用最小割算法和哈希算法,将并行训练模型的计算图处理为计算-通信二部图。并且采用堆叠算法合并计算图中存在的相同子图结构。我们使用并行训练下的Res Net-50模型对系统进行了测试。实验结果表明,我们的方法简化了模型结构的展示,有利于快速定位通信算子和观察通信算子的融合策略。