前言
学习深度学习的时候,网络结构如果可以可视化,对于整个学习框架来说,都是非常清晰的;再者,如果可视化,对于真正开发调优网络,也是重要的参考。
手写数字进行分类
netron可视化
修改代码
修改代码,使其网络可以可视化
import torch
import torch.nn as nn
import torch.utils.data as Data
import torchvision
test_data = torchvision.datasets.MNIST(root='D:/tmp/mnist/', train=False)
test_x = torch.unsqueeze(test_data.test_data, dim=1).type(torch.FloatTensor)[:2000]/255.
class CNN(nn.Module):
def __init__(self):
super(CNN, self).__init__()
self.conv1 = nn.Sequential( # input shape (1, 28, 28)
nn.Conv2d(
in_channels=1, # input height
out_channels=16, # n_filters
kernel_size=5, # filter size
stride=1, # filter movement/step
padding=2, # 如果想要 con2d 出来的图片长宽没有变化, padding=(kernel_size-1)/2 当 stride=1
), # output shape (16, 28, 28)
nn.ReLU(), # activation
nn.MaxPool2d(kernel_size=2), # 在 2x2 空间里向下采样, output shape (16, 14, 14)
)
self.conv2 = nn.Sequential( # input shape (16, 14, 14)
nn.Conv2d(16, 32, 5, 1, 2), # output shape (32, 14, 14)
nn.ReLU(), # activation
nn.MaxPool2d(2), # output shape (32, 7, 7)
)
self.out = nn.Linear(32 * 7 * 7, 10) # fully connected layer, output 10 classes
def forward(self, x):
x = self.conv1(x)
x = self.conv2(x)
x = x.view(x.size(0), -1) # 展平多维的卷积图成 (batch_size, 32 * 7 * 7)
output = self.out(x)
return output
cnn = CNN()
torch.onnx.export(cnn, test_x[:10], 'D:/tmp/model.onnx', export_params=True, opset_version=8)
将网络结构保存成onnx文件
文件可视化
netron
将文件上传到这个网站
这样就可以展示一个网络结构图
每个模块在右侧都有一个详细参数
TensorBoard可视化
预装tensorboard工具
pip install tensorboard
模型和数据写入日志
cnn = CNN()
with SummaryWriter(logdir="network_visualization") as w:
w.add_graph(cnn, test_x[:10])
生成tensorboard日志文件
使用tensorboard工具
tensorboard.exe --logdir=network_visualization
在浏览器输入http://localhost:6006/
至此,这就是两种不同的网络结构可视化方式