译（四十七）-Pytorch获取模型概要

最新推荐文章于 2024-04-28 16:55:51 发布
最新推荐文章于 2024-04-28 16:55:51 发布
阅读量837 收藏 4
点赞数 2
分类专栏： python 文章标签： pytorch 深度学习 python StackOverflow
原文链接：https://stackoverflow.com/questions/42480111/model-summary-in-pytorch
版权

文章首发及后续更新：https://mwhls.top/3626.html
新的更新内容请到mwhls.top查看。
无图/无目录/格式错误/更多相关请到上方的文章首发页面查看。

stackoverflow热门问题目录

如有翻译问题欢迎评论指出，谢谢。

目录
1. Pytorch获取模型概要
2. Model summary in pytorch
Pytorch获取模型概要

  • Wasi Ahmad asked:

    • Pytorch 怎么像 Keras 的 model.summary() 获得一个模型概要？

    • Model Summary:

Layer (type) Output Shape Param # Connected to

input_1 (InputLayer) (None, 1, 15, 27) 0

convolution2d_1 (Convolution2D) (None, 8, 15, 27) 872 input_1[0][0]

maxpooling2d_1 (MaxPooling2D) (None, 8, 7, 27) 0 convolution2d_1[0][0]

flatten_1 (Flatten) (None, 1512) 0 maxpooling2d_1[0][0]

dense_1 (Dense) (None, 1) 1513 flatten_1[0][0]

Total params: 2,385
Trainable params: 2,385
Non-trainable params: 0

  • Answers:

    • Shubham Chandel – vote: 213

    • 用 pytorch-summary 包可以实现 Keras 的效果。

    • VGG16 的例子：

    • from torchvision import models
from torchsummary import summary
#
vgg = models.vgg16()
summary(vgg, (3, 224, 224))
#
----------------------------------------------------------------
      Layer (type)               Output Shape         Param #
================================================================
          Conv2d-1         [-1, 64, 224, 224]           1,792
            ReLU-2         [-1, 64, 224, 224]               0
          Conv2d-3         [-1, 64, 224, 224]          36,928
            ReLU-4         [-1, 64, 224, 224]               0
       MaxPool2d-5         [-1, 64, 112, 112]               0
          Conv2d-6        [-1, 128, 112, 112]          73,856
            ReLU-7        [-1, 128, 112, 112]               0
          Conv2d-8        [-1, 128, 112, 112]         147,584
            ReLU-9        [-1, 128, 112, 112]               0
      MaxPool2d-10          [-1, 128, 56, 56]               0
         Conv2d-11          [-1, 256, 56, 56]         295,168
           ReLU-12          [-1, 256, 56, 56]               0
         Conv2d-13          [-1, 256, 56, 56]         590,080
           ReLU-14          [-1, 256, 56, 56]               0
         Conv2d-15          [-1, 256, 56, 56]         590,080
           ReLU-16          [-1, 256, 56, 56]               0
      MaxPool2d-17          [-1, 256, 28, 28]               0
         Conv2d-18          [-1, 512, 28, 28]       1,180,160
           ReLU-19          [-1, 512, 28, 28]               0
         Conv2d-20          [-1, 512, 28, 28]       2,359,808
           ReLU-21          [-1, 512, 28, 28]               0
         Conv2d-22          [-1, 512, 28, 28]       2,359,808
           ReLU-23          [-1, 512, 28, 28]               0
      MaxPool2d-24          [-1, 512, 14, 14]               0
         Conv2d-25          [-1, 512, 14, 14]       2,359,808
           ReLU-26          [-1, 512, 14, 14]               0
         Conv2d-27          [-1, 512, 14, 14]       2,359,808
           ReLU-28          [-1, 512, 14, 14]               0
         Conv2d-29          [-1, 512, 14, 14]       2,359,808
           ReLU-30          [-1, 512, 14, 14]               0
      MaxPool2d-31            [-1, 512, 7, 7]               0
         Linear-32                 [-1, 4096]     102,764,544
           ReLU-33                 [-1, 4096]               0
        Dropout-34                 [-1, 4096]               0
         Linear-35                 [-1, 4096]      16,781,312
           ReLU-36                 [-1, 4096]               0
        Dropout-37                 [-1, 4096]               0
         Linear-38                 [-1, 1000]       4,097,000
================================================================
Total params: 138,357,544
Trainable params: 138,357,544
Non-trainable params: 0
----------------------------------------------------------------
Input size (MB): 0.57
Forward/backward pass size (MB): 218.59
Params size (MB): 527.79
Estimated Total Size (MB): 746.96
----------------------------------------------------------------

    • SpiderWasp42 – vote: 185

    • 虽然不能像 Keras 的 model.summary() 一样得到模型详细信息，但通过打印模型你也能得到不同层的信息。

    • 例：

    • from torchvision import models
model = models.vgg16()
print(model)

    • 输出如下：

    • VGG (
(features): Sequential (
  (0): Conv2d(3, 64, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
  (1): ReLU (inplace)
  (2): Conv2d(64, 64, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
  (3): ReLU (inplace)
  (4): MaxPool2d (size=(2, 2), stride=(2, 2), dilation=(1, 1))
  (5): Conv2d(64, 128, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
  (6): ReLU (inplace)
  (7): Conv2d(128, 128, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
  (8): ReLU (inplace)
  (9): MaxPool2d (size=(2, 2), stride=(2, 2), dilation=(1, 1))
  (10): Conv2d(128, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
  (11): ReLU (inplace)
  (12): Conv2d(256, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
  (13): ReLU (inplace)
  (14): Conv2d(256, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
  (15): ReLU (inplace)
  (16): MaxPool2d (size=(2, 2), stride=(2, 2), dilation=(1, 1))
  (17): Conv2d(256, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
  (18): ReLU (inplace)
  (19): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
  (20): ReLU (inplace)
  (21): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
  (22): ReLU (inplace)
  (23): MaxPool2d (size=(2, 2), stride=(2, 2), dilation=(1, 1))
  (24): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
  (25): ReLU (inplace)
  (26): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
  (27): ReLU (inplace)
  (28): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
  (29): ReLU (inplace)
  (30): MaxPool2d (size=(2, 2), stride=(2, 2), dilation=(1, 1))
)
(classifier): Sequential (
  (0): Dropout (p = 0.5)
  (1): Linear (25088 -> 4096)
  (2): ReLU (inplace)
  (3): Dropout (p = 0.5)
  (4): Linear (4096 -> 4096)
  (5): ReLU (inplace)
  (6): Linear (4096 -> 1000)
)
)

    • 正如 Kashyap 提到的，使用 state_dict 方法可以得到不同层的权重。你可以通过这些层的信息自己创建一个函数来实现类似 Keras 的模型概要。希望这能帮到你。

    • prosti – vote: 45

    • 使用 torchsummary：

    • from torchsummary import summary

    • 如果没有的话，如下安装：

    • pip install torchsummary

    • 你可以试试，不过它需要你设置模型到 cuda 才能使用：

    • from torchsummary import summary
help(summary)
import torchvision.models as models
alexnet = models.alexnet(pretrained=False)
alexnet.cuda()
summary(alexnet, (3, 224, 224))
print(alexnet)

    • summary 需要输入尺寸，将 batch_size 设为 -1 表示适用于任何 batch_size。

    • 如果设为 summary(alexnet, (3, 224, 224), 32)，则意味着使用 batch_size=32。

    • summary(model, input_size, batch_size=-1, device='cuda')

    • 输出

    • Help on function summary in module torchsummary.torchsummary:
#
summary(model, input_size, batch_size=-1, device='cuda')
#
----------------------------------------------------------------
      Layer (type)               Output Shape         Param #
================================================================
          Conv2d-1           [32, 64, 55, 55]          23,296
            ReLU-2           [32, 64, 55, 55]               0
       MaxPool2d-3           [32, 64, 27, 27]               0
          Conv2d-4          [32, 192, 27, 27]         307,392
            ReLU-5          [32, 192, 27, 27]               0
       MaxPool2d-6          [32, 192, 13, 13]               0
          Conv2d-7          [32, 384, 13, 13]         663,936
            ReLU-8          [32, 384, 13, 13]               0
          Conv2d-9          [32, 256, 13, 13]         884,992
           ReLU-10          [32, 256, 13, 13]               0
         Conv2d-11          [32, 256, 13, 13]         590,080
           ReLU-12          [32, 256, 13, 13]               0
      MaxPool2d-13            [32, 256, 6, 6]               0
AdaptiveAvgPool2d-14            [32, 256, 6, 6]               0
        Dropout-15                 [32, 9216]               0
         Linear-16                 [32, 4096]      37,752,832
           ReLU-17                 [32, 4096]               0
        Dropout-18                 [32, 4096]               0
         Linear-19                 [32, 4096]      16,781,312
           ReLU-20                 [32, 4096]               0
         Linear-21                 [32, 1000]       4,097,000
================================================================
Total params: 61,100,840
Trainable params: 61,100,840
Non-trainable params: 0
----------------------------------------------------------------
Input size (MB): 18.38
Forward/backward pass size (MB): 268.12
Params size (MB): 233.08
Estimated Total Size (MB): 519.58
----------------------------------------------------------------
AlexNet(
(features): Sequential(
  (0): Conv2d(3, 64, kernel_size=(11, 11), stride=(4, 4), padding=(2, 2))
  (1): ReLU(inplace)
  (2): MaxPool2d(kernel_size=3, stride=2, padding=0, dilation=1, ceil_mode=False)
  (3): Conv2d(64, 192, kernel_size=(5, 5), stride=(1, 1), padding=(2, 2))
  (4): ReLU(inplace)
  (5): MaxPool2d(kernel_size=3, stride=2, padding=0, dilation=1, ceil_mode=False)
  (6): Conv2d(192, 384, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
  (7): ReLU(inplace)
  (8): Conv2d(384, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
  (9): ReLU(inplace)
  (10): Conv2d(256, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
  (11): ReLU(inplace)
  (12): MaxPool2d(kernel_size=3, stride=2, padding=0, dilation=1, ceil_mode=False)
)
(avgpool): AdaptiveAvgPool2d(output_size=(6, 6))
(classifier): Sequential(
  (0): Dropout(p=0.5)
  (1): Linear(in_features=9216, out_features=4096, bias=True)
  (2): ReLU(inplace)
  (3): Dropout(p=0.5)
  (4): Linear(in_features=4096, out_features=4096, bias=True)
  (5): ReLU(inplace)
  (6): Linear(in_features=4096, out_features=1000, bias=True)
)
)
  • Model summary in pytorch

    • Wasi Ahmad asked:

      • How do I print the summary of a model in PyTorch like the model.summary() method does in Keras:
        Pytorch 怎么像 Keras 的 model.summary() 获得一个模型概要？

      • Model Summary:
____________________________________________________________________________________________________
Layer (type)                     Output Shape          Param #     Connected to                     
====================================================================================================
input_1 (InputLayer)             (None, 1, 15, 27)     0                                            
____________________________________________________________________________________________________
convolution2d_1 (Convolution2D)  (None, 8, 15, 27)     872         input_1[0][0]                    
____________________________________________________________________________________________________
maxpooling2d_1 (MaxPooling2D)    (None, 8, 7, 27)      0           convolution2d_1[0][0]            
____________________________________________________________________________________________________
flatten_1 (Flatten)              (None, 1512)          0           maxpooling2d_1[0][0]             
____________________________________________________________________________________________________
dense_1 (Dense)                  (None, 1)             1513        flatten_1[0][0]                  
====================================================================================================
Total params: 2,385
Trainable params: 2,385
Non-trainable params: 0

    • Answers:

      • Shubham Chandel – vote: 213

      • Yes, you can get exact Keras representation, using the pytorch-summary package.
        用 pytorch-summary 包可以实现 Keras 的效果。

      • Example for VGG16:
        VGG16 的例子：

      • from torchvision import models
from torchsummary import summary
#
vgg = models.vgg16()
summary(vgg, (3, 224, 224))
#
----------------------------------------------------------------
      Layer (type)               Output Shape         Param #
================================================================
          Conv2d-1         [-1, 64, 224, 224]           1,792
            ReLU-2         [-1, 64, 224, 224]               0
          Conv2d-3         [-1, 64, 224, 224]          36,928
            ReLU-4         [-1, 64, 224, 224]               0
       MaxPool2d-5         [-1, 64, 112, 112]               0
          Conv2d-6        [-1, 128, 112, 112]          73,856
            ReLU-7        [-1, 128, 112, 112]               0
          Conv2d-8        [-1, 128, 112, 112]         147,584
            ReLU-9        [-1, 128, 112, 112]               0
      MaxPool2d-10          [-1, 128, 56, 56]               0
         Conv2d-11          [-1, 256, 56, 56]         295,168
           ReLU-12          [-1, 256, 56, 56]               0
         Conv2d-13          [-1, 256, 56, 56]         590,080
           ReLU-14          [-1, 256, 56, 56]               0
         Conv2d-15          [-1, 256, 56, 56]         590,080
           ReLU-16          [-1, 256, 56, 56]               0
      MaxPool2d-17          [-1, 256, 28, 28]               0
         Conv2d-18          [-1, 512, 28, 28]       1,180,160
           ReLU-19          [-1, 512, 28, 28]               0
         Conv2d-20          [-1, 512, 28, 28]       2,359,808
           ReLU-21          [-1, 512, 28, 28]               0
         Conv2d-22          [-1, 512, 28, 28]       2,359,808
           ReLU-23          [-1, 512, 28, 28]               0
      MaxPool2d-24          [-1, 512, 14, 14]               0
         Conv2d-25          [-1, 512, 14, 14]       2,359,808
           ReLU-26          [-1, 512, 14, 14]               0
         Conv2d-27          [-1, 512, 14, 14]       2,359,808
           ReLU-28          [-1, 512, 14, 14]               0
         Conv2d-29          [-1, 512, 14, 14]       2,359,808
           ReLU-30          [-1, 512, 14, 14]               0
      MaxPool2d-31            [-1, 512, 7, 7]               0
         Linear-32                 [-1, 4096]     102,764,544
           ReLU-33                 [-1, 4096]               0
        Dropout-34                 [-1, 4096]               0
         Linear-35                 [-1, 4096]      16,781,312
           ReLU-36                 [-1, 4096]               0
        Dropout-37                 [-1, 4096]               0
         Linear-38                 [-1, 1000]       4,097,000
================================================================
Total params: 138,357,544
Trainable params: 138,357,544
Non-trainable params: 0
----------------------------------------------------------------
Input size (MB): 0.57
Forward/backward pass size (MB): 218.59
Params size (MB): 527.79
Estimated Total Size (MB): 746.96
----------------------------------------------------------------

      • SpiderWasp42 – vote: 185

      • While you will not get as detailed information about the model as in Keras\’ model.summary, simply printing the model will give you some idea about the different layers involved and their specifications.
        虽然不能像 Keras 的 model.summary() 一样得到模型详细信息，但通过打印模型你也能得到不同层的信息。

      • For instance:
        例：

      • from torchvision import models
model = models.vgg16()
print(model)

      • The output in this case would be something as follows:
        输出如下：

      • VGG (
(features): Sequential (
  (0): Conv2d(3, 64, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
  (1): ReLU (inplace)
  (2): Conv2d(64, 64, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
  (3): ReLU (inplace)
  (4): MaxPool2d (size=(2, 2), stride=(2, 2), dilation=(1, 1))
  (5): Conv2d(64, 128, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
  (6): ReLU (inplace)
  (7): Conv2d(128, 128, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
  (8): ReLU (inplace)
  (9): MaxPool2d (size=(2, 2), stride=(2, 2), dilation=(1, 1))
  (10): Conv2d(128, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
  (11): ReLU (inplace)
  (12): Conv2d(256, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
  (13): ReLU (inplace)
  (14): Conv2d(256, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
  (15): ReLU (inplace)
  (16): MaxPool2d (size=(2, 2), stride=(2, 2), dilation=(1, 1))
  (17): Conv2d(256, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
  (18): ReLU (inplace)
  (19): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
  (20): ReLU (inplace)
  (21): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
  (22): ReLU (inplace)
  (23): MaxPool2d (size=(2, 2), stride=(2, 2), dilation=(1, 1))
  (24): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
  (25): ReLU (inplace)
  (26): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
  (27): ReLU (inplace)
  (28): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
  (29): ReLU (inplace)
  (30): MaxPool2d (size=(2, 2), stride=(2, 2), dilation=(1, 1))
)
(classifier): Sequential (
  (0): Dropout (p = 0.5)
  (1): Linear (25088 -> 4096)
  (2): ReLU (inplace)
  (3): Dropout (p = 0.5)
  (4): Linear (4096 -> 4096)
  (5): ReLU (inplace)
  (6): Linear (4096 -> 1000)
)
)

      • Now you could, as mentioned by Kashyap, use the state_dict method to get the weights of the different layers. But using this listing of the layers would perhaps provide more direction is creating a helper function to get that Keras like model summary! Hope this helps!
        正如 Kashyap 提到的，使用 state_dict 方法可以得到不同层的权重。你可以通过这些层的信息自己创建一个函数来实现类似 Keras 的模型概要。希望这能帮到你。

      • prosti – vote: 45

      • In order to use torchsummary type:
        使用 torchsummary：

      • from torchsummary import summary

      • Install it first if you don\’t have it.
        如果没有的话，如下安装：

      • pip install torchsummary

      • And then you can try it, but note for some reason it is not working unless I set model to cuda alexnet.cuda:
        你可以试试，不过它需要你设置模型到 cuda 才能使用：

      • from torchsummary import summary
help(summary)
import torchvision.models as models
alexnet = models.alexnet(pretrained=False)
alexnet.cuda()
summary(alexnet, (3, 224, 224))
print(alexnet)

      • The summary must take the input size and batch size is set to -1 meaning any batch size we provide.
        summary 需要输入尺寸，将 batch_size 设为 -1 表示适用于任何 batch_size。

      • If we set summary(alexnet, (3, 224, 224), 32) this means use the bs=32.
        如果设为 summary(alexnet, (3, 224, 224), 32)，则意味着使用 batch_size=32。

      • summary(model, input_size, batch_size=-1, device='cuda')

      • Out:
        输出

      • Help on function summary in module torchsummary.torchsummary:
#
summary(model, input_size, batch_size=-1, device='cuda')
#
----------------------------------------------------------------
      Layer (type)               Output Shape         Param #
================================================================
          Conv2d-1           [32, 64, 55, 55]          23,296
            ReLU-2           [32, 64, 55, 55]               0
       MaxPool2d-3           [32, 64, 27, 27]               0
          Conv2d-4          [32, 192, 27, 27]         307,392
            ReLU-5          [32, 192, 27, 27]               0
       MaxPool2d-6          [32, 192, 13, 13]               0
          Conv2d-7          [32, 384, 13, 13]         663,936
            ReLU-8          [32, 384, 13, 13]               0
          Conv2d-9          [32, 256, 13, 13]         884,992
           ReLU-10          [32, 256, 13, 13]               0
         Conv2d-11          [32, 256, 13, 13]         590,080
           ReLU-12          [32, 256, 13, 13]               0
      MaxPool2d-13            [32, 256, 6, 6]               0
AdaptiveAvgPool2d-14            [32, 256, 6, 6]               0
        Dropout-15                 [32, 9216]               0
         Linear-16                 [32, 4096]      37,752,832
           ReLU-17                 [32, 4096]               0
        Dropout-18                 [32, 4096]               0
         Linear-19                 [32, 4096]      16,781,312
           ReLU-20                 [32, 4096]               0
         Linear-21                 [32, 1000]       4,097,000
================================================================
Total params: 61,100,840
Trainable params: 61,100,840
Non-trainable params: 0
----------------------------------------------------------------
Input size (MB): 18.38
Forward/backward pass size (MB): 268.12
Params size (MB): 233.08
Estimated Total Size (MB): 519.58
----------------------------------------------------------------
AlexNet(
(features): Sequential(
  (0): Conv2d(3, 64, kernel_size=(11, 11), stride=(4, 4), padding=(2, 2))
  (1): ReLU(inplace)
  (2): MaxPool2d(kernel_size=3, stride=2, padding=0, dilation=1, ceil_mode=False)
  (3): Conv2d(64, 192, kernel_size=(5, 5), stride=(1, 1), padding=(2, 2))
  (4): ReLU(inplace)
  (5): MaxPool2d(kernel_size=3, stride=2, padding=0, dilation=1, ceil_mode=False)
  (6): Conv2d(192, 384, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
  (7): ReLU(inplace)
  (8): Conv2d(384, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
  (9): ReLU(inplace)
  (10): Conv2d(256, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
  (11): ReLU(inplace)
  (12): MaxPool2d(kernel_size=3, stride=2, padding=0, dilation=1, ceil_mode=False)
)
(avgpool): AdaptiveAvgPool2d(output_size=(6, 6))
(classifier): Sequential(
  (0): Dropout(p=0.5)
  (1): Linear(in_features=9216, out_features=4096, bias=True)
  (2): ReLU(inplace)
  (3): Dropout(p=0.5)
  (4): Linear(in_features=4096, out_features=4096, bias=True)
  (5): ReLU(inplace)
  (6): Linear(in_features=4096, out_features=1000, bias=True)
)
)
MWHLS
关注
  • 2
    点赞
  • 踩
  • 4
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
简易的torch.models的summary
Seboooo的博客
07-20 1249
测试代码及效果: if __name__ == '__main__': from torchvision import models model = models.vgg16() summary(model, 3, 110, 110) 代码如下： import torch from collections import Iterable # 使用tabulate包以表格显示最终结果 from tabulate import tabulate def summary(m
【深度学习实战（20）】使用torchsummary打印模型结构
m0_51579041的博客
04-23 375
【深度学习实战（20）】使用torchsummary打印模型结构
PyTorch模型参数量计算【使用torchsummary库与自定义 两种方法！附完整代码！！】
最新发布
xiaoh_7的博客
04-28 1452
本文详细介绍了如何在PyTorch框架中计算模型参数量的两种实用方法。首先，通过利用torchsummary库，我们展示了如何快速获取模型的详细层信息以及参数量的统计。其次，我们介绍了如何自定义函数来计算模型参数量，这种方法更加灵活，可以根据具体需求定制输出信息。
pytorch网络模型结构的总结打印
probie的博客
03-03 6734
在keras中可以通过model.summary()打印出模型的结构，类似这样： 在pytorch中想要实现类似的功能，直接打印模型就可以了。例如 from torchvision import models model = models.vgg16() print(model) 输出结果 VGG ( (features): Sequential ( (0): Conv2d(3, 64, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
Pytorch网络结构可视化：torchsummary
u013250861的博客
09-02 713
以上两种的输入只有一个input，这种是经常遇到的情况。
Keras style model.summary() in PyTorch - 打印 PyTorch 模型结构
既然选择了远方 便只顾风雨兼程 - 永强
06-20 1420
Keras style model.summary() in PyTorch - 打印 PyTorch 模型结构 https://github.com/sksq96/pytorch-summary https://pypi.org/project/torchsummary/ Model summary in PyTorch similar to model.summary() in Keras. Keras has a neat API to view the visualization of the mo
pytorch的summary和画网络结构图
sdhdsf132452的博客
03-21 528
在里面，可以直接调用和查看和保存网络的结构。但是在torch里面没有这么简单。需要借助额外的包和torchviz。
MVSNet-pytorch版 源码 MVSNet-pytorch-master
08-27
MVSNet_pytorch版 源码 MVSNet_pytorch-master MVSNet_pytorch版 源码 MVSNet_pytorch-master MVSNet_pytorch版 源码 MVSNet_pytorch-master MVSNet_pytorch版 源码 MVSNet_pytorch-masterMVSNet_pytorch版 源码 ...
d2l-zh-pytorch.pdf
02-14
8. PyTorch 中的实践：PyTorch 提供了多种实践方法，包括读取数据、数据预处理、模型定义、模型训练和模型评估等。这些实践方法可以 help 用户更好地使用 PyTorch 进行机器学习和深度学习。 PyTorch 是一个功能强大...
RandLA-Net-pytorch:RandLA-Net（https的Pytorch实施
05-23
我们的模型几乎与原始实现一样好。 （验证集：我们的52.9％的mIoU与原始的53.1％） 我们将pretrain-model放置在目录中。 表现 验证集结果（seq 08） 与原始实施比较 模型 密欧 原始Tensorflow 0.531 我们的...
KGCN-pytorch:KGCN pytorch模型实现
05-11
这是 （ ）的Pytorch实现： 推荐系统的知识图卷积网络王宏伟，赵M，谢星，李文杰，郭敏仪。 在2019年网络会议论文集（WWW 2019）中 数据集 电影 电影的原始分级文件太大，无法包含在此仓库中。 首先对评级数据进行...
Python-PyTorch中的模型摘要类似于Keras中的modelsummary
08-12
PyTorch中的模型摘要类似于Keras中的`model.summary()`
pytorch-summary：PyTorch中的模型摘要类似于Keras中的`model.summary（）`。
02-05
model.summary()中的Keras样式model.summary() Keras有一个简洁的API来查看模型的可视化，这在调试网络时非常有帮助。 这是一个尝试在PyTorch中模仿的准系统代码。 目的是提供与print(your_model)中的print(your_model)无法提供的信息互补的信息。 用法 pip install torchsummary或 git clone https://github.com/sksq96/pytorch-summary from torchsummary import summary summary ( your_model , in
SCNN-pytorch:PyTorch中的空间CNN模型使用Cityscapes-dataset
03-18
pytorch-SCNN **于2018/12/15更新。 去做 支持不同的骨干网 支持城市景观 单GPU训练 介绍 这是的PyTorch（0.4.1）实现。它可以使用Modified Aligned ResNet作为主干。目前，我们使用Cityscapes数据集训练SCNN。 ...
model.summary() | torch summary 画模型图
南方五宿放眼观,犹如潇湘黛未施
07-14 3257
> Keras style model.summary() in PyTorch > torch-summary 1.3.3 以上两个链接里，我需要的是多个输入Multiple Inputs w/ Different Data Types from torchsummary import summary summary(model, [(1, 2048), (1, 300)], batch_size=-1, device='cuda') import torch import torchv
torchsummary要注意model是否传入cuda，要和device参数一致
LIWEI940638093的博客
09-06 682
无
【PyTorch】模型可视化之 pytorch-summary
北境の守望者
05-28 2万+
Backto PyTorch Index 我个人最喜欢的模型可视化工具， github 安装 pip install torchsummary 应用 from torchsummary import summary ... summary(your_model, input_size=(channels, H, W)) info 分析 每一层的类型、shape 和 参数量 模型整体的...
Pytorch：summary（）函数打印网络结构
m0_47090348的博客
10-12 788
但是这样打印出来的网络结构也不太好看。首先，安装torchinfo库（可以使用pip，也可以在pycharm的setting里下载安装）运行截图：（以下截图不是AlexNet的网络结构，我随便找的一个网络运行的结果）
PyTorch 打印网络模型结构
热门推荐
A_John 的博客
04-08 2万+
PyTorch 打印网络模型结构 使用 Print() 函数打印网络 我们在使用PyTorch打印模型结构时都是这样操作的： model = simpleNet() print(model) 可以很容易发现这样打印出来的网络结构 ``不清晰`` ，参数看起来都很 ``乱`` ! 如果是一个简单一点的网络可能影响不是很大，但当随着网络层数加深、结构复杂、参数量变大时，就会看得很难受 ！...
mvsnet-pytorch版 源码 mvsnet-pytorch-master运行结果
11-17
mvsnet-pytorch是一个基于PyTorch框架实现的多视角立体匹配网络。通过该网络，可以对多个视角的输入图像进行立体匹配，从而得到深度图和三维点云数据。mvsnet-pytorch-master是对该网络的源代码进行了整理和更新，使其更加易于使用和理解。 当我们运行mvsnet-pytorch-master时，首先需要准备输入数据，包括多个视角的图像和相机参数。然后，我们可以使用训练好的模型进行深度估计和三维重构。运行结果将得到深度图和点云数据，可以用来表示视景中物体的三维形状和位置信息。 在实际运行中，mvsnet-pytorch-master的源码可以让我们更好地理解多视角立体匹配网络的原理和实现细节，也可以帮助我们进行模型的调试和改进。通过观察运行结果，我们可以评估模型的性能和准确度，同时也可以对输入数据和参数进行优化，以获得更好的深度估计和重构效果。 总的来说，mvsnet-pytorch-master的源码运行结果可以帮助我们更好地理解和应用多视角立体匹配网络，同时也可以为我们的相关研究和应用提供有力的支持。通过对该源码的运行和分析，我们可以更好地掌握立体匹配技术，为视觉领域的发展做出更大的贡献。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值