【Datawhale学习】Pytorch可视化

        对于我们刚刚接触神经网络的初学者来说，它是非常神奇的一个存在：我们将特征进行输入，数据流经网络，进行一番操作后就输出了结果。所谓训练神经网络的过程，就是通过梯度下降不断修改网络内部的参数，从而使得输出结果越来越精确。在写好的程序中，构建神经网络模型完成后就把它封装起来了，并且前向传播（forward）、反向传播（backward）都是自动计算的。因此，神经网络对于使用者而言，更像是一个“黑箱”，我们不知道数据输入黑箱后发生了什么，只知道这个黑箱可以给出我们想要的结果。

        在炼丹的学习过程中，很容易就变成调包侠，所以要自己多动手去搭建一些网络模型——就相当于把黑箱给拆开来，去了解每一部分的原理；那么Pytorch可视化，相当于把一个连续的训练过程一步步拆解开来，去了解数据每一步的变化，这有助于我们去调试模型、优化超参数。

        首先来看一看经典卷积网络中卷积核的可视化。

        一个卷积神经网络显著的结构特征就是随着卷积的深入，通道数增加。在一个卷积层中，为了实现通道增加，就需要多个卷积核进行配合（后一层网络的通道数=前一层卷积的卷积核个数）。个人是这样理解的：通过添加多个卷积核，可以在每个卷积核上有不同的参数设置，这样就可以从不同特征维度对图像的特征进行提取了。

        例如在前面的FashionMNST分类模型中，模型基本结构如下：

 

直接print(model)就可以看到模型的基本结构：三层的卷积以及两个全连接 

当然看这种基本的网络结构还可以同torchinfo这个包，可以得到更细致的节点信息：

from torchinfo import summary
summary(model,(1,1,28,28))#图片数量1，通道数1，图片尺寸28*28

 可以说是很详细了

         以上操作相当于是把黑箱给拆开观察其内部结构。针对具体结构的某一部分（比如卷积核），同样可以通过可视化的方法来看一看卷积核具体长啥样（conv部分的第一次卷积）：

print(model.conv[0])