![](https://img-blog.csdnimg.cn/20190918140012416.png?x-oss-process=image/resize,m_fixed,h_224,w_224)
模型分析
文章平均质量分 72
模型结构的可视化
燃烧吧哥们
这个作者很懒,什么都没留下…
展开
-
卷积核、特征图可视化
这里建议使用一个训练好的模型进行可视化,这样可视化出来的结果可以帮助观察出一些潜在的特性的(我这里采用的是AlexNet预训练模型)。这里简单进行一个梳理:第一层卷积核:torch.Size([64, 3, 11, 11]),输出通道数:64, 对应卷积核的数量输入通道数:3, 对应卷积核的通道数卷积核宽:11,卷积核高:11单通道卷积核可视化多通道卷积核可视化见下图:代码如下:补充操作运行代码后会生成一个results文件,接下来 执行如下代码: 点击如原创 2022-06-19 19:31:55 · 3579 阅读 · 8 评论 -
模型速度与计算量分析
模型速度与计算量分析模型速度与计算量分析这里介绍两个工具:1、Pytorch自带的API:torch.autograd.profiler,分析每个算子的速度2、flops-counter:计算参数量和MAC(计算卷积神经网络中参数的数量和打印给定网络的每层计算成本)1、torch.autograd.profilertorch.autograd.profiler.profile(enabled=True,use_cuda=False,record_shapes=False,with_flops=Fa原创 2021-08-10 15:11:13 · 967 阅读 · 1 评论 -
模型结构可视化分析
模型结构可视化分析很多时候需要得知自己所构建模型的结构,参数,所占存储容量等,下面介绍几个可视化的参数工具1、pytorch-summary(包含每一层的输入输出形状,参数量,以及所占存储量大小)(1)pip install torchsummary 安装相关库(2)举例说明:import torchimport torch.nn as nnimport torch.nn.functional as Fimport numpy as npclass simpleconv3(nn.Modu原创 2021-08-10 14:01:51 · 1102 阅读 · 6 评论