如何可视化PyTorch的网络模型计算图和后传路径图（可视化PyTorch网络结构）

已于 2024-08-07 09:54:01 修改
阅读量8.8k 收藏 26
点赞数 18
分类专栏： 机器学习 Python 文章标签： PyTorch 可视化 计算图 后传 计算路径
于 2020-07-15 19:37:17 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/u014261408/article/details/107368762
版权
本文介绍了如何使用PyTorchviz库来可视化PyTorch网络的计算图和反向传播路径。通过四个步骤，包括安装、导入绘图函数、定义网络及前向计算、绘制计算图和后传路径，帮助读者理解网络的计算流程，对于调试和学习非常有帮助。
摘要由CSDN通过智能技术生成

PyTorchViz包（https://github.com/szagoruyko/pytorchviz）可以用来方便地绘制PyTorch正向网络计算图和后传计算路径，本文讲解如何使用PyTorchViz包，主要参考网站包括：

  1. https://towardsdatascience.com/understanding-pytorch-with-an-example-a-step-by-step-tutorial-81fc5f8c4e8e
  2. https://stackoverflow.com/questions/52468956/how-do-i-visualize-a-net-in-pytorch

1. 安装PyTorchViz

pip install torchviz

安装中间如果出现任何问题，请自行google或者留言，我安装过程中出现的错误已经忘记是什么了……不过问题不大。

2. 导入绘制函数

from torchviz import make_dot

3. 定义网络并前向计算输入

在这里插入图片描述

4. 绘制计算图和后传路径

make_dot(yhat)

在这里插入图片描述

可以看到make_dot函数不但画出了计算路径，连网络的各层weight，bias以及后传时用的什么操作都显示出来了。这对于我们debug，以及理解网络的计算流程非常有用。

拿走不谢！

亲亲Friends
关注
专栏目录
PyTorch深度学习实战（18）—— 可视化工具
shangjg3的博客
08-18 140
同时，TensorBoard是一个相对独立的工具，只要用户保存的数据遵循相应的格式，TensorBoard就能读取这些数据，进行可视化。在PyTorch 1.1.0版本之后，PyTorch已经内置了TensorBoard的相关接口，用户在手动安装TensorBoard后便可调用相关接口进行数据的可视化，TensorBoard的主界面如下图所示。Visdom十分轻量级，支持非常丰富的功能，可以胜任大多数的科学运算可视化任务，它的可视化界面如下图所示。命令将服务放至后台运行。
PyTorchViz：一个可以将Pytorch执行计算图可视化的工具
NorthSmile的博客
09-11 2800
如果安装过程中没有选择自动添加环境变量，则在安装之后手动添加环境变量，即将GraphViz的bin目录路径添加到Path变量中。“我的电脑->属性->高级系统设置->环境变量->系统变量->Path->新建”，然后将该路径放入即可。执行此代码之后，可看到代码同目录下生成两个文件，一个是写入源码的文件，一个则是渲染过后的网络计算图。，根据人家给出的Readme文件可知在进行代码编写前首先需要进行环境配置，安装人家需要的第三方库。，对应自己系统选择32/64位的exe文件；2）双击exe进行安装；
pytorch模型可视化：pytorchviz
热门推荐
lsh呵呵
10-11 1万+
不同于keras的可视化，keras.utils.plot_model。pytorch模型可视化比较复杂，此处使用pytorchviz。 操作步骤 1 . 命令行安装pytorchviz（之前要安装graphviz，这个我keras时已经安装） pip install git+https://github.com/szagoruyko/pytorchviz 2 . 使用如下代码，保存在统计目录下...
PyTorch中常用的工具（4）Visdom
最新发布
FontTian的博客
01-01 1257
在训练神经网络的过程中需要用到很多的工具，最重要的是数据处理、可视化和GPU加速。本章主要介绍PyTorch在这些方面常用的工具模块，合理使用这些工具可以极大地提高编程效率。由于内容较多，本文分成了五篇文章（1）数据处理（2）预训练模型（3）TensorBoard（4）Visdom（5）CUDA与小结。1 数据处理2 预训练模型3 可视化工具3.2 Visdom4 使用GPU加速：CUDA5 小结。
Pytorch可视化
Silence__2020的博客
03-22 707
参考Datawhale课程：深入浅出Pytorch--进阶
pytorch模型网络可视化画图工具合集(内附实现代码)
分享机器学习、深度学习、分布式计算、MLSys相关领域知识
06-26 5544
在PyTorch中，有几种不同的工具可以用于网络结构的可视化。下面将以ResNet-18为例，展示如何使用常用的PyTorch画图工具进行网络结构的可视化。
Task03：PyTorch可视化
weixin_44336912的博客
03-22 1378
文章目录前言一、可视化网络结构7.1.1 使用print函数打印模型基础信息7.1.2 使用torchinfo可视化网络结构二、CNN可视化7.2.1 CNN卷积核可视化7.2.2 CNN特征图可视化方法7.2.3 CNN class activation map可视化方法7.2.4 使用FlashTorch快速实现CNN可视化三、使用TensorBoard可视化训练过程7.3.1 TensorBoard安装7.3.2 TensorBoard可视化的基本逻辑7.3.3 TensorBoard的配置与启动7.
PyTorch学习笔记（三）计算图
huwanting的专栏
05-20 781
PyTorch使用动态图技术，下面是一个简单线性变换计算图的搭建实例。 import torch w=torch.tensor([1.], requires_grad=True) x=torch.tensor([2.], requires_grad=True) a=torch.add(w, x) b=torch.add(w, 1) y=torch.mul(a, b) a.retain_grad() b.retain_grad() # 保存非叶子节点的梯度，否则方向传播完会被释放掉 y.backw
pytorch 模型可视化的例子
09-18
在使用方面，我们首先需要创建一个模型的实例，然后传递输入数据到模型中，接着使用`make_dot`函数生成模型计算图的Graphviz表示，并调用`view()`方法来可视化模型。在这个例子中，我们创建了一个`GeneratorUNet`类...
pytorch实现mnist数据集的图像可视化及保存
09-18
本文将详细介绍如何使用PyTorch加载、可视化MNIST数据集中的图像，并将其保存为本地文件。 首先，我们需要导入必要的库。`torch`是PyTorch的核心库，`torchvision`包含了数据集和图像处理的模块，`torch.utils.data...
PyTorch深度学习实战（13）——可视化神经网络中间层输出
盼小辉丶的博客
08-24 4279
通过可视化特征学习的结果，我们可以以直观的方式观察网络在处理数据时发生的变化，利用可视化方法能够探索中间层的输出，理解网络如何对输入数据进行编码和转换。我们可以通过观察特征图、梯度分布、降维可视化等手段来揭示网络中学到的有用模式、边缘检测、颜色分布等。在本节中，我们将探索神经网络究竟学到了什么，使用卷积神经网络 (Convolutional Neural Networks, CNN) 对包含 X 和 O 图像的数据集进行分类，并检查网络层输出了解激活结果。
画pytorch模型图,以及参数计算的方法
09-18
今天小编就为大家分享一篇画pytorch模型图,以及参数计算的方法，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
Python-在PyTorch中可视化CNN
08-11
在PyTorch中可视化CNN
卷积神经网络的特征图可视化秘籍——PyTorch实现
qq_42079689的博客
11-19 1万+
卷积神经网络的特征图可视化秘籍——PyTorch实现可视化的定义及步骤PyTorch实现以预训练好的VGG16为例进行可视化关键代码剖析如果是自行搭建的网络，如何索引网络层？继续使用序号索引不使用序号，直接索引模型内部网络层的属性 可视化的定义及步骤   这里所说的可视化是指对卷积神经网络中间层的输出特征图进行可视化，比如将网络第八层的输出特征图保存为图像显示出来。那么，我们实际上要做的事情非常简...
pytorch可视化使用graphviz+torchviz查看计算图
雪的期许
08-29 4868
安装graphviz和torchviz pip install graphviz pip install git+https://github.com/szagoruyko/pytorchviz Windows用户请注意，需要到graphviz官网下载windows版本并安装，然后添加系统环境变量（右键开始菜单-> 系统 -> 右侧高级系统设置 -> 环境变量 -> 系统变量 -> 双击Path -> 新建）： 然后重启pycharm！在Terminal（或cmd）中
pytorch可视化,画模型图以及参数计算
qq_36955294的博客
07-27 2006
一、模型可视化 一个简单的网络可视化工具：torchsummary 安装方法： pip install torchsummary 一、模型可视化 一个简单的网络可视化工具：torchsummary 安装方法： pip install torchsummary 例一：VGG网络可视化 >>> import torch, torchvision >>> model = torchvision.models.vgg.vgg16() >>&gt.
【可视化】——pytorch模型可视化工具
怡宝2号
08-12 849
针对分类，检测任务，看模型attention的区域在哪里。
PyTorch中的可视化工具
zxb_1222的博客
04-04 2333
本文主要介绍Pytorch中的一些可视化工具
【Tools】Pytorch深度学习模型可视化工具——Tensorboard
让算法融入生活，改变生活！
03-16 1701
背景 上一篇文章介绍了【Tools】神经网络、深度学习和机器学习模型可视化工具——Netron。写完之后我有琢磨了一下，是否还有其他的可视化工具，例如Tensorboard。网上查阅了一下，果不其然还真有。下面介绍一下。 基于Tensorboard的模型可视化 还是使用上一篇文档中介绍的内容去可视化。代码如下： mport torch.nn as nn import torch from torch.utils.tensorboard import SummaryWriter class TextCNN
生成一个pytorch可视化VGG特征图的代码
08-25
### 回答1： 可以使用以下代码来生成VGG特征图：import torch import torchvision.models as models import torchvision.transforms as transforms from torch.autograd import Variable import matplotlib.pyplot as plt# 载入VGG16模型 model = models.vgg16(pretrained=True)# 读入一张图片 img = Image.open('path_to_image')# 对图片做预处理 transform = transforms.Compose([ transforms.Resize(256), transforms.CenterCrop(224), transforms.ToTensor(), transforms.Normalize( mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225] ) ]) img_t = transform(img)# 把图片做成一个batch batch_t = torch.unsqueeze(img_t, 0)# 将VGG16模型设置为可训练 for parma in model.parameters(): parma.requires_grad = False # 为图片送入模型 out = model(Variable(batch_t))# 可视化VGG特征图 plt.figure(figsize=(14, 8)) for i in range(out.size()[1]): ax = plt.subplot(8, 8, i + 1) ax.imshow(out[0, i, :, :].data.numpy(), cmap='jet') ax.axis('off') plt.show() ### 回答2： 要生成一个pytorch可视化VGG特征图，需要进行以下步骤： 1. 导入必要的库和模块： ```python import torch import torch.nn as nn import torchvision.models as models import matplotlib.pyplot as plt ``` 2. 定义VGG模型并加载预训练的权重： ```python vgg = models.vgg16(pretrained=True) ``` 3. 获取所需层的特征图： ```python layer_name = 'features.29' # 这里选择VGG16的最后一个卷积层，可以根据需要调整layer_name layer = vgg.features._modules[layer_name] ``` 4. 创建一个向前传递的hook函数，用于获取特征图输出： ```python target_output = None def hook_fn(module, input, output): global target_output target_output = output ``` 5. 注册hook函数到目标层： ```python layer.register_forward_hook(hook_fn) ``` 6. 前向传播输入并得到特征图： ```python input_img = torch.randn(1, 3, 224, 224) # 这里随机生成一个输入图像，可以根据需要调整 _ = vgg(input_img) # 触发前向传播并生成特征图 ``` 7. 将特征图可视化： ```python feature_map = target_output[0].detach().numpy() # 将特征图从Tensor转换为NumPy数组 plt.imshow(feature_map) plt.show() ``` 这样就可以生成并可视化VGG模型中指定层的特征图了。注意，代码中的图像尺寸、层的选择和其他参数可以根据需要进行调整。 ### 回答3： 要生成PyTorch中VGG特征图的代码，需要首先导入必要的库和模块。代码如下所示： ```python import torch import torchvision.models as models import cv2 import matplotlib.pyplot as plt # 加载预训练的VGG模型 vgg = models.vgg16(pretrained=True) vgg.eval() # 选择指定层级的特征图 selected_layer = vgg.features[12] # 加载并预处理图像 image = cv2.imread('image.jpg') image = cv2.cvtColor(image, cv2.COLOR_BGR2RGB) image = cv2.resize(image, (224, 224)) image = torch.from_numpy(image.transpose((2, 0, 1))) image = image.float() image /= 255.0 image = torch.unsqueeze(image, 0) # 前向传播获取输出特征图 output = selected_layer(image) # 转换输出特征图格式 output = output.data.squeeze() output = output.numpy() # 可视化特征图 plt.imshow(output, cmap='gray') plt.axis('off') plt.show() ``` 以上代码首先加载了预训练的VGG16模型，并选择了第13层特征图（vgg.features[12]）作为可视化对象。然后，加载和预处理了待处理的图像，将其转换为PyTorch张量。接下来，通过前向传播计算输出特征图。最后，使用matplotlib库将特征图可视化显示在屏幕上。请确保将图像文件路径替换为实际图像文件的路径。
评论 6
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值