pytorch对模型的可视化方法总结

1. 打印输出图像的维度变化
   如果没有安装summary,可以按照这个指令安装：

pip install torchsummary

打印每一层特征维度的代码：

import torch
import torchvision
from torchsummary import summary          #使用 pip install torchsummary
device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
vgg = torchvision.models.vgg16().to(device)
summary(vgg, input_size=(3, 224, 224))

结构如下：

2. 打印网络的可视化图结构
   先看最终的结果：
   

这个图像化，就很简单明了，但是还有一点点不方便的地方，就是网络模型一般都比较大，不能显示完全，或者字体太小，查看或者打印不太方便。建议每一个图按照A4纸尺寸来设计，里面的字体也可以调整。这样可以方便打印。

使用方法：
需要安装一个库文件：graphviz

pip install graphviz

使用代码：

from graphviz import Digraph
import torch
from torch.autograd import Variable


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__':
    from models import KFSGNet
    from torch.autograd import Variable
    import torch

    net = KFSGNet()
    x = Variable(torch.randn((1,1,96,96)))
    y = net(x)
    g = make_dot(y)
    g.view()
    pass

3. 直接打印定义好的模型变量

net = VGGNet()
print（net）

显示结果：

4. 打印模块名字和参数的大小

# net.named_parameters() 也是可迭代对象，既能调出网络的具体参数，也有名字信息
for name, parameters in net.named_parameters():   
    print(name, ';', parameters.size())