基于Pytorch的神经网络可视化

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

用pytorch对mnist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