pytorch 权重weight 与 梯度grad 可视化

查看特定layer的权重以及相应的梯度信息

• 打印模型
  
• 观察到model下面有module的key，module下面有features的key， features下面有(0)的key，这样就可以直接打印出weight了
• 在pdb debug界面输入p model.module.features[0].weight，就可以看到weight，输入 p model.module.features[0].weight.grad 就可以查看梯度信息。

中间变量的梯度 : .register_hook

• pytorch 为了节省显存，在反向传播的过程中只针对计算图中的叶子结点(leaf variable)保留了梯度值(gradient)。但对于开发者来说，有时我们希望探测某些中间变量(intermediate variable) 的梯度来验证我们的实现是否有误，这个过程就需要用到 tensor的register_hook接口

grads = {}

def save_grad(name):
    def hook(grad):
        grads[name] = grad
    return hook

x = torch.randn(1, requires_grad=True)
y = 3*x
z = y * y

# 为中间变量注册梯度保存接口，存储梯度时名字为 y。
y.register_hook(save_grad('y'))

# 反向传播 
z.backward()

# 查看 y 的梯度值
print(grads['y'])

打印网络回传梯度

• net.named_parameters()
• parms.requires_grad 表示该参数是否可学习，是不是frozen的；
• parm.grad 打印该参数的梯度值。

net = your_network().cuda()
def train():
	...
	outputs = net(inputs)
    loss = criterion(outputs, targets)
    loss.backward()
	for name, parms in net.named_parameters():	
		print('-->name:', name, '-->grad_requirs:',parms.requires_grad, \
		 ' -->grad_value:',parms.grad)

查看pytorch产生的梯度

[x.grad for x in self.optimizer.param_groups[0]['params']]

资料

• pytorch查看模型weight与grad
• pytorch 查看中间变量的梯度
• pytorch 打印网络回传梯度
• 如何查看pytorch产生的梯度