畫pytorch模型圖,以及參數(shù)計(jì)算的方法

更新時(shí)間：2019年08月17日 13:53:03 作者：月落烏啼silence

今天小編就為大家分享一篇畫pytorch模型圖,以及參數(shù)計(jì)算的方法，具有很好的參考價(jià)值，希望對(duì)大家有所幫助。一起跟隨小編過(guò)來(lái)看看吧

剛?cè)雙ytorch的坑，代碼還沒(méi)看太懂。之前用keras用習(xí)慣了，第一次使用pytorch還有些不適應(yīng)，希望廣大老司機(jī)多多指教。

首先說(shuō)說(shuō)，我們?nèi)绾慰梢暬Ｐ汀Ｔ趉eras中就一句話，keras.summary()，或者plot_model()，就可以把模型展現(xiàn)的淋漓盡致。

但是pytorch中好像沒(méi)有這樣一個(gè)api讓我們直觀的看到模型的樣子。但是有網(wǎng)友提供了一段代碼，可以把模型畫出來(lái)，對(duì)我來(lái)說(shuō)簡(jiǎn)直就是如有神助啊。

話不多說(shuō)，上代碼吧。

import torch
from torch.autograd import Variable
import torch.nn as nn
from graphviz import Digraph
 
 
class CNN(nn.Module):
  def __init__(self):
    super(CNN, self).__init__()
    self.conv1 = nn.Sequential(
      nn.Conv2d(in_channels=1, out_channels=16, kernel_size=5, stride=1, padding=2),
      nn.ReLU(),
      nn.MaxPool2d(kernel_size=2)
    )
    self.conv2 = nn.Sequential(
      nn.Conv2d(in_channels=16, out_channels=32, kernel_size=5, stride=1, padding=2),
      nn.ReLU(),
      nn.MaxPool2d(kernel_size=2)
    )
    self.out = nn.Linear(32*7*7, 10)
 
  def forward(self, x):
    x = self.conv1(x)
    x = self.conv2(x)
    x = x.view(x.size(0), -1) # (batch, 32*7*7)
    out = self.out(x)
    return out
 
 
def make_dot(var, params=None):
  """ Produces Graphviz representation of PyTorch autograd graph
  Blue nodes are the Variables that require grad, orange are Tensors
  saved for backward in torch.autograd.Function
  Args:
    var: output Variable
    params: dict of (name, Variable) to add names to node that
      require grad (TODO: make optional)
  """
  if params is not None:
    assert isinstance(params.values()[0], Variable)
    param_map = {id(v): k for k, v in params.items()}
 
  node_attr = dict(style='filled',
           shape='box',
           align='left',
           fontsize='12',
           ranksep='0.1',
           height='0.2')
  dot = Digraph(node_attr=node_attr, graph_attr=dict(size="12,12"))
  seen = set()
 
  def size_to_str(size):
    return '('+(', ').join(['%d' % v for v in size])+')'
 
  def add_nodes(var):
    if var not in seen:
      if torch.is_tensor(var):
        dot.node(str(id(var)), size_to_str(var.size()), fillcolor='orange')
      elif hasattr(var, 'variable'):
        u = var.variable
        name = param_map[id(u)] if params is not None else ''
        node_name = '%s\n %s' % (name, size_to_str(u.size()))
        dot.node(str(id(var)), node_name, fillcolor='lightblue')
      else:
        dot.node(str(id(var)), str(type(var).__name__))
      seen.add(var)
      if hasattr(var, 'next_functions'):
        for u in var.next_functions:
          if u[0] is not None:
            dot.edge(str(id(u[0])), str(id(var)))
            add_nodes(u[0])
      if hasattr(var, 'saved_tensors'):
        for t in var.saved_tensors:
          dot.edge(str(id(t)), str(id(var)))
          add_nodes(t)
  add_nodes(var.grad_fn)
  return dot
 
 
if __name__ == '__main__':
  net = CNN()
  x = Variable(torch.randn(1, 1, 28, 28))
  y = net(x)
  g = make_dot(y)
  g.view()
 
  params = list(net.parameters())
  k = 0
  for i in params:
    l = 1
    print("該層的結(jié)構(gòu)：" + str(list(i.size())))
    for j in i.size():
      l *= j
    print("該層參數(shù)和：" + str(l))
    k = k + l
  print("總參數(shù)數(shù)量和：" + str(k))

模型很簡(jiǎn)單，代碼也很簡(jiǎn)單。就是conv -> relu -> maxpool -> conv -> relu -> maxpool -> fc

大家在可視化的時(shí)候，直接復(fù)制make_dot那段代碼即可，然后需要初始化一個(gè)net，以及這個(gè)網(wǎng)絡(luò)需要的數(shù)據(jù)規(guī)模，此處就以這段代碼為例，初始化一個(gè)模型net，準(zhǔn)備這個(gè)模型的輸入數(shù)據(jù)x，shape為(batch，channels，height，width) 然后把數(shù)據(jù)傳入模型得到輸出結(jié)果y。傳入make_dot即可得到下圖。

  net = CNN()
  x = Variable(torch.randn(1, 1, 28, 28))
  y = net(x)
  g = make_dot(y)
  g.view()

最后輸出該網(wǎng)絡(luò)的各種參數(shù)。

該層的結(jié)構(gòu)：[16, 1, 5, 5]
該層參數(shù)和：400
該層的結(jié)構(gòu)：[16]
該層參數(shù)和：16
該層的結(jié)構(gòu)：[32, 16, 5, 5]
該層參數(shù)和：12800
該層的結(jié)構(gòu)：[32]
該層參數(shù)和：32
該層的結(jié)構(gòu)：[10, 1568]
該層參數(shù)和：15680
該層的結(jié)構(gòu)：[10]
該層參數(shù)和：10
總參數(shù)數(shù)量和：28938

以上這篇畫pytorch模型圖,以及參數(shù)計(jì)算的方法就是小編分享給大家的全部?jī)?nèi)容了，希望能給大家一個(gè)參考，也希望大家多多支持腳本之家。

您可能感興趣的文章: