模型可视化

seasonsyy

已于 2024-02-17 18:23:11 修改

阅读量992

点赞数 24

分类专栏：深度学习小知识文章标签：深度学习小知识可视化

于 2024-02-17 18:20:52 首次发布

本文链接：https://blog.csdn.net/seasonsyy/article/details/136140673

版权

深度学习小知识专栏收录该内容

55 篇文章 3 订阅

订阅专栏

本文介绍了用于模型结构和特征可视化的主要工具，如Graphiz用于DOT语言图形的渲染，Netron支持PyTorch和ONNX模型的可视化，以及ZetaneEngine的3D特征图展示。这些工具有助于理解模型内部结构，优化训练过程和诊断问题。

摘要由CSDN通过智能技术生成

模型标题可视化

可视化工具：Graphiz、Netron、ZetaneEngine

7.2.2Graphiz可视化工具

Graphiz是一个由AT&T实验室启动的开源工具包，用于绘制DOT语言脚本描述的图形，使用它可以非常方便地对任何图形进行可视化。
Graphiz的使用步骤包括创建图，添加节点与边，渲染图，下面是一个简单的案例。

import graphviz

#创建图
dot = graphviz.Digraph(comment = 'example')

#添加节点与边
dot. node('A', 'leader')
dot. node('B', 'chargeman')
dot. node('C', 'member')
dot. node('D', 'member')

dot.edges(['AB', 'AC', 'AD', 'BC', 'BD'])

#渲染图
dot.render('test-output/team.gv', view = True)

可视化结果如图7.2所示。

下面我们使用Graphiz对模型结构进行可视化，核心代码如下：

# coding: utf8
import torch
import torch. nn as nn
import torch. nn. functional as F
from torch.autograd import Variable
import numpy as np
#使用Graphiz进行PyTorch网络结构可视化
def make_dot(var, params = None):
    #将PyTorch autograd graph生成Graphiz图
    # var:输出变量
    # params:用于添加节点的字典

    if params is not None:
        assert isinstance(params.values()[0],Variable)
        param_map =(id(v):k for k,v in params.items())
        #设置属性
        node_attr =dict (style ='filled',
                         shape ='box',
                         align ='left',
                         fontsi ze ='12',
                         rankse p ='0.1',
                         height ='0.2')
        #创建图
        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])+')'
        #添加节点
        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_':
 	x =torch.randn(1,3,48,48)
    model =simpleconv3(2)
    y =model(x)
    g =make_dot(y)
    g.view()

对上面模型结构进行可视化的结果如图7.3所示

7.2.3 Netron可视化工具

Netron可以可视化各大深度学习开源框架模型结构和权重的项目
项目地址为https://github.com/lutzroeder/network
Netron支持常见的桌面操作系统,包括macOS、Linux、Windows,以及可以在网页端在线使用。

对于PyTorch模型，我们可以直接载入PT格式的权重文件进行可视化，但是更好的做法是将其先转换为ONNX 格式，转换代码如下：

import torch
from net import simpleconvs
mynet =simpleconvis(2)
mynet.load_state_dict(torch.load('mode1.pt',map_location=lambda storage,loc:storage))
mynet.train(False)
dummy_input =torch.randn((1,3,48,48))
torch.onnx.export(mynet,dummy_input,"model.onnx",verbose=False)

可视化结果如图7.4所示。

通过可视化模型结构，我们对需要训练的网络有了整体的了解，修改代码后可以查看模型结构的变化情况，从而检查是否符合设计的目的，这在训练大模型与小模型时都是非常实用的技术。

如果输入的是训练好的权重文件，则可以直接查看每一个网络层的权重，通过一键导出参数为NPY 文件，可以简单统计权重的分布。
如图7.5所示为模型的权重统计结果，横坐标表示幅值大小，纵坐标表示比例，总共分为100个bin,统计范围为-2∼2。可以看出，大部分的值都非常接近于0，这说明模型有很好的稀疏性。

	网络浅层/底层	深层	越深层
学习到的特征	边缘	目标形状	语义级别的目标
感受野	越小，看到的就是越局部的信息	越大，看到的就是越全局的信息，学习到的知识越抽象

7.3 模型可视化分析

摘要：3D可视化工具ZetaneEngine，可视化网络中任何一层的特征图。特征图的展示方式比较丰富，支持二维图、三维图和数值直方图。图7.9和图7.10是可视化的例子

为了方便查看模型的参数及特征，有许多研究者都开发过相关的工具，这里介绍一个功能比较完善的工具，那就是由加拿大蒙特利尔一家公司开发的一个3D可视化工具ZetaneEngine。

上传一个模型和数据，该工具可以可视化网络中任何一层的特征图，特征图的展示方式比较丰富，支持二维图、三维图和数值直方图，下面就是对上一节中ONNX格式模型的可视化界面图。

图7.9展示了对输入数据的可视化结果，UserInput表示输入，可以看到，左侧图像原始大小为(RGB的三个通道分别用灰度图展示，而模型的输入张量大小为右上方展示了对所有灰度值的直方图统计，最大像素灰度值为255，最小像素灰度值为24，平均像素灰度值为155，右下方则通过伪彩色的方式显示了输入的一个通道。