5月24日day35打卡

模型可視化與推理

知識點回顧：

三種不同的模型可視化方法：推薦torchinfo打印summary+權重分布可視化
進度條功能：手動和自動寫法，讓打印結果更加美觀
推理的寫法：評估模式

作業：調整模型定義時的超參數，對比下效果。

#  nn.Module 的內置功能，直接輸出模型結構
print(model)

簡單來說，你看到的是一個神經網絡模型的“內部結構清單”，就像拆開一臺機器后看到的零件列表。咱們用生活中的例子來理解：

假設你要做一個“判斷水果類型”的模型（比如區分蘋果、香蕉、橘子），輸入可能是水果的4個特征（比如重量、顏色、表皮光滑度、大小），輸出是3種水果的概率。這個MLP模型的結構就像一條“數據加工流水線”：

第一關（fc1層）：有個“4轉10的轉換器”。它拿到輸入的4個特征數據后，會做一些數學計算（比如加權求和+偏移），把這4個數據“變”成10個新的數據。就像把4種原材料加工成10種中間產物。
激活關（relu層）：這一步會“過濾掉沒用的中間產物”。比如如果某個中間產物算出來是負數（可能代表“沒用的信息”），它就會直接變成0（相當于丟棄），只保留正數的部分。這樣能讓模型更“聰明”，只關注有用的信息。
第二關（fc2層）：有個“10轉3的轉換器”。它拿到前面過濾后的10個數據，再做一次數學計算，最終把它們“濃縮”成3個結果。這3個結果就對應你要判斷的3種水果的概率（比如哪個數值大，就更可能是對應的水果）。

所以整體看，這個模型就是通過兩層“數據轉換器”+一層“過濾無用信息”的步驟，把輸入的4個特征，一步步處理成3個最終結果。

# nn.Module 的內置功能，返回模型的可訓練參數迭代器
for name, param in model.named_parameters():print(f"Parameter name: {name}, Shape: {param.shape}")

這些是神經網絡模型中各個層的可學習參數（權重和偏置）的信息，用大白話解釋就是模型“內部用來做計算的規則”。我們一個一個看：

1.?`fc1.weight`（形狀 [10, 4]）

這是第一個全連接層（fc1）的“權重矩陣”。

作用：負責把輸入的4維數據“轉換”成10維數據。
形狀含義：10行（對應輸出的10個維度），4列（對應輸入的4個維度）。可以理解為：每個輸出維度（共10個）需要和輸入的4個維度“一一配對”計算，所以需要10×4個“小規則”（即權重參數）。

2.?`fc1.bias`（形狀 [10]）

這是第一個全連接層的“偏置參數”。

作用：給每個輸出維度的計算結果加一個“偏移量”（類似數學里的?y = kx + b?中的?b），讓模型能擬合更復雜的規律。
形狀含義：因為fc1輸出是10維，所以需要10個偏置參數（每個輸出維度對應1個）。

3.?`fc2.weight`（形狀 [3, 10]）

這是第二個全連接層（fc2）的“權重矩陣”。

作用：負責把前一層（fc1）輸出的10維數據“轉換”成最終的3維結果。
形狀含義：3行（對應最終輸出的3個維度），10列（對應前一層輸入的10個維度）。每個輸出維度（共3個）需要和前一層的10個維度“配對”計算，所以需要3×10個權重參數。

4.?`fc2.bias`（形狀 [3]）

這是第二個全連接層的“偏置參數”。

作用：給最終輸出的每個維度加一個“偏移量”。
形狀含義：因為最終輸出是3維，所以需要3個偏置參數（每個輸出維度對應1個）。

總結

這些參數是模型在訓練過程中自動學習的（比如通過調整這些參數的值，讓模型預測更準）。簡單說，它們就像模型內部的“計算器”，輸入數據經過這些參數的計算后，最終得到你想要的結果（比如分類、回歸等）。

# 提取權重數據
import numpy as np
weight_data = {}
for name, param in model.named_parameters():if 'weight' in name:weight_data[name] = param.detach().cpu().numpy()# 可視化權重分布
fig, axes = plt.subplots(1, len(weight_data), figsize=(15, 5))
fig.suptitle('Weight Distribution of Layers')for i, (name, weights) in enumerate(weight_data.items()):# 展平權重張量為一維數組weights_flat = weights.flatten()# 繪制直方圖axes[i].hist(weights_flat, bins=50, alpha=0.7)axes[i].set_title(name)axes[i].set_xlabel('Weight Value')axes[i].set_ylabel('Frequency')axes[i].grid(True, linestyle='--', alpha=0.7)plt.tight_layout()
plt.subplots_adjust(top=0.85)
plt.show()# 計算并打印每層權重的統計信息
print("\n=== 權重統計信息 ===")
for name, weights in weight_data.items():mean = np.mean(weights)std = np.std(weights)min_val = np.min(weights)max_val = np.max(weights)print(f"{name}:")print(f"  均值: {mean:.6f}")print(f"  標準差: {std:.6f}")print(f"  最小值: {min_val:.6f}")print(f"  最大值: {max_val:.6f}")print("-" * 30)

這里的“每層權重”指的是神經網絡中每個可學習層（比如全連接層）內部的“核心參數”，也就是模型通過訓練自動調整的“規則數值”。咱們結合你的代碼和神經網絡的工作原理，用大白話解釋：

1. 什么是“權重”？

簡單說，權重是神經網絡里神經元之間的“連接強度”。就像你做數學題時的“計算公式”——比如輸入4個特征（x1, x2, x3, x4），輸出10個中間結果（y1~y10），每個y的計算可能是：
y1 = x1*w11 + x2*w12 + x3*w13 + x4*w14
這里的w11、w12、w13、w14就是“權重”（weight），它們決定了輸入特征對輸出結果的影響程度。

2. “每層權重”具體指什么？

你的代碼里，model.named_parameters()會遍歷模型所有可訓練參數（包括權重和偏置），而if 'weight' in name篩選出了屬于“權重”的參數。例如：

如果模型有fc1（第一個全連接層），對應的權重是fc1.weight；
如果有fc2（第二個全連接層），對應的權重是fc2.weight；
這些就是代碼中“每層權重”的具體對象。

3. 代碼在“提取”和“分析”它們的什么？

你的代碼做了兩件關鍵的事：

（1）提取權重數據

把模型中每個層的權重參數（比如fc1.weight和fc2.weight）從PyTorch的張量（Tensor）轉成numpy數組，存到weight_data字典里。這樣后續可以用numpy和matplotlib分析。

（2）可視化+統計分析

直方圖：把每個層的權重值“攤平”成一維數組（比如fc1.weight是10×4的矩陣，攤平后是40個數值），然后統計這些數值的分布（比如大部分權重是0附近的小數？還是有很多大的正數/負數？）。
統計信息：計算每個層權重的均值、標準差、最小/最大值。這些數值能幫你快速判斷：
- 權重是否初始化合理（比如均值是否接近0，標準差是否太小/太大）；
- 訓練是否正常（比如訓練后權重是否有明顯變化，是否出現梯度消失/爆炸）。

總結

“每層權重”就是模型中每個層（比如全連接層）里用于“計算輸入→輸出”的核心參數。你的代碼在“檢查”這些參數的分布和統計特征，就像給模型做“體檢”——通過它們的數值表現，你可以判斷模型是否訓練正常、參數初始化是否合理，甚至定位訓練中的問題（比如權重全為0可能是初始化錯誤）。

from torchsummary import summary
# 打印模型摘要，可以放置在模型定義后面
summary(model, input_size=(4,))

這是用?torchsummary?工具打印的模型“詳細體檢報告”，幫你快速看清模型每一層的“輸出尺寸”和“參數數量”。咱們逐行用大白話解釋：

第一部分：各層的具體信息（表格）

表格里的具體行：

Linear-1（第一個全連接層）
- Output Shape?[-1, 10]：不管輸入多少個樣本（-1?代表批量大小），每個樣本經過這層后會變成10個特征的數據。
- Param # 50：這層有50個參數。計算方式是：輸入4個特征，輸出10個特征 → 權重參數是?10×4=40（類似“4轉10的轉換規則”），再加上10個偏置參數（每個輸出特征一個），總共?40+10=50。
ReLU-2（激活函數層）
- Output Shape?[-1, 10]：激活函數不會改變數據的特征數量，所以輸出還是10個特征。
- Param # 0：ReLU激活函數（比如?max(0, x)）沒有需要學習的參數，只是單純的數學運算，所以參數數為0。
Linear-3（第二個全連接層）
- Output Shape?[-1, 3]：每個樣本經過這層后會變成3個特征的數據（比如對應3分類任務的結果）。
- Param # 33：輸入是前一層的10個特征，輸出3個特征 → 權重參數是?3×10=30，加上3個偏置參數，總共?30+3=33。

第二部分：模型整體統計（表格下方）

Total params: 83：整個模型所有層的參數總和（50+0+33=83）。
Trainable params: 83：所有參數都可以被訓練（比如用數據調整這些參數的值）。
Non-trainable params: 0：沒有“凍結”的參數（有些模型會固定部分參數不訓練，這里沒有這種情況）。

第三部分：內存占用估計（最下方）

這部分是模型運行時的內存消耗估算（輸入數據、計算過程、參數本身占用的內存）。這里顯示?0.00?可能是因為輸入數據的尺寸太小（比如輸入是4維的小數），實際項目中如果輸入數據很大（如圖像），這里會顯示具體數值。

總結：這個摘要是模型的“透明化報告”，讓你一眼看清每一層怎么“加工數據”，以及模型總共需要學多少參數（參數越多，模型“記憶能力”越強，但可能越容易過擬合）。

該方法不顯示輸入層的尺寸，因為輸入的神經網是自己設置的，所以不需要顯示輸入層的尺寸。但是在使用該方法時，input size=(4,)參數是必需的，因為PyTorch需要知道輸入數據的形狀才能推斷模型各層的輸出形狀和參數數量。

這是因為PyTorch的模型在定義時是動態的，它不會預先知道輸入數據的具體形狀。nn.Linear(4,10)只定義了"輸入維度是4，輸出維度是10”，但不知道輸入的批量大小和其他維度，比如卷積層需要知道輸入的通道數、高度、寬度等信息。-并非所有輸入數據都是結構化數據

因此，要生成模型摘要（如每層的輸出形狀、參數數量），必須提供一個示例輸入形狀，讓PyTorch"運行”一次模型，從而推斷出各層的信息。

summary函數的核心邏輯是：

創建一個與input size形狀匹配的虛擬輸入張量（通常填充零）
將虛擬輸入傳遞給模型，執行一次前向傳播（但不計算梯度）
記錄每一層的輸入和輸出形狀，以及參數數量
生成可讀的摘要報告

構建神經網絡的時候

輸入層不需要寫：x多少個特征輸入層就有多少神經元
隱藏層需要寫，從第一個隱藏層可以看出特征的個數
輸出層的神經元和任務有關，比如分類任務，輸出層有3個神經元，一個對應每個類別

上圖只是幫助你理解，和上述架構不同，每條線記錄權重w,在每個神經元內計算并且輸出Relu(w*x+b)

可以看做，線記錄權重，神經元記錄偏置和損失函數

可學習參數計算

Linear-1對應self.fc1=nn.Linear(4,10),表明前一層有4個神經元，這一層有10個神經元，每2個神經元之間靠著線相連，所有有4*10個權重參數+10個偏置參數=50個參數
rlu層不涉及可學習參數，可以把它和前一個線性層看成一層，圖上也是這個含義
Linear-3層對應代碼self.fc2=nn.Linear(10,3),10*3個權重參數+3個偏置=33個參數

總參數83個，占用內存幾乎為0

?torchinfo是提供比torchsummary更詳細的模型摘要信息，包括每層的輸入輸出形狀、參數數量、計算量等。

torchinfo是提供比torchsummary更詳細的模型摘要信息，包括每層的輸入輸出形狀、參數數
量、計算量等。

進度條功能：

我們介紹下tgdm這個庫，他非常適合用在循環中觀察進度。尤其在深度學習這種訓練是循環的場景中。他最核心的邏輯如下：

創建一個進度條對象，并傳入總迭代次數。一般用wth語句創建對象，這樣對象會在with語句結束后自動銷毀，保證資源釋放。wth是常見的上下文管理器，這樣的使用方式還有用with打開文件，結束后會自動關閉文件。
更新進度條，通過pbar.update(n)指定每次前進的步數n(適用于非固定步長的循環)。

手動更新：

from tqdm import tqdm  # 先導入tqdm庫
import time  # 用于模擬耗時操作# 創建一個總步數為10的進度條
with tqdm(total=10) as pbar:  # pbar是進度條對象的變量名# pbar 是 progress bar（進度條）的縮寫，約定俗成的命名習慣。for i in range(10):  # 循環10次（對應進度條的10步）time.sleep(0.5)  # 模擬每次循環耗時0.5秒pbar.update(1)  # 每次循環后，進度條前進1步

from tqdm import tqdm
import time# 創建進度條時添加描述（desc）和單位（unit）
with tqdm(total=5, desc="下載文件", unit="個") as pbar:# 進度條這個對象，可以設置描述和單位# desc是描述，在左側顯示# unit是單位，在進度條右側顯示for i in range(5):time.sleep(1)pbar.update(1)  # 每次循環進度+1

unit參數的核心作用是明確進度條中每個進度單位的含義，使可視化信息更具可讀性。在深度學習訓練中，常用的單位包括：

epoch:訓練輪次（遍歷整個數據集一次）。
batch:批次（每次梯度更新處理的樣本組）。
sample:樣本（單個數據點）

自動更新：

from tqdm import tqdm
import time# 直接將range(3)傳給tqdm，自動生成進度條
# 這個寫法我覺得是有點神奇的，直接可以給這個對象內部傳入一個可迭代對象，然后自動生成進度條
for i in tqdm(range(3), desc="處理任務", unit="epoch"):time.sleep(1)

for i in tqdm(range(3),desc="處理任務"，unit="個")這個寫法則不需要在循環中調用update()方法，更加簡潔
實際上這2種寫法都隨意選取，這里都介紹下?

# 用tqdm的set_postfix方法在進度條右側顯示實時數據（如當前循環的數值、計算結果等）：
from tqdm import tqdm
import timetotal = 0  # 初始化總和
with tqdm(total=10, desc="累加進度") as pbar:for i in range(1, 11):time.sleep(0.3)total += i  # 累加1+2+3+...+10pbar.update(1)  # 進度+1pbar.set_postfix({"當前總和": total})  # 顯示實時總和

import torch
import torch.nn as nn
import torch.optim as optim
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import MinMaxScaler
import time
import matplotlib.pyplot as plt
from tqdm import tqdm  # 導入tqdm庫用于進度條顯示# 設置GPU設備
device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")
print(f"使用設備: {device}")# 加載鳶尾花數據集
iris = load_iris()
X = iris.data  # 特征數據
y = iris.target  # 標簽數據# 劃分訓練集和測試集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)# 歸一化數據
scaler = MinMaxScaler()
X_train = scaler.fit_transform(X_train)
X_test = scaler.transform(X_test)# 將數據轉換為PyTorch張量并移至GPU
X_train = torch.FloatTensor(X_train).to(device)
y_train = torch.LongTensor(y_train).to(device)
X_test = torch.FloatTensor(X_test).to(device)
y_test = torch.LongTensor(y_test).to(device)class MLP(nn.Module):def __init__(self):super(MLP, self).__init__()self.fc1 = nn.Linear(4, 10)  # 輸入層到隱藏層self.relu = nn.ReLU()self.fc2 = nn.Linear(10, 3)  # 隱藏層到輸出層def forward(self, x):out = self.fc1(x)out = self.relu(out)out = self.fc2(out)return out# 實例化模型并移至GPU
model = MLP().to(device)# 分類問題使用交叉熵損失函數
criterion = nn.CrossEntropyLoss()# 使用隨機梯度下降優化器
optimizer = optim.SGD(model.parameters(), lr=0.01)# 訓練模型
num_epochs = 20000  # 訓練的輪數# 用于存儲每100個epoch的損失值和對應的epoch數
losses = []
epochs = []start_time = time.time()  # 記錄開始時間# 創建tqdm進度條
with tqdm(total=num_epochs, desc="訓練進度", unit="epoch") as pbar:# 訓練模型for epoch in range(num_epochs):# 前向傳播outputs = model(X_train)  # 隱式調用forward函數loss = criterion(outputs, y_train)# 反向傳播和優化optimizer.zero_grad()loss.backward()optimizer.step()# 記錄損失值并更新進度條if (epoch + 1) % 200 == 0:losses.append(loss.item())epochs.append(epoch + 1)# 更新進度條的描述信息pbar.set_postfix({'Loss': f'{loss.item():.4f}'})# 每1000個epoch更新一次進度條if (epoch + 1) % 1000 == 0:pbar.update(1000)  # 更新進度條# 確保進度條達到100%if pbar.n < num_epochs:pbar.update(num_epochs - pbar.n)  # 計算剩余的進度并更新time_all = time.time() - start_time  # 計算訓練時間
print(f'Training time: {time_all:.2f} seconds')# # 可視化損失曲線
# plt.figure(figsize=(10, 6))
# plt.plot(epochs, losses)
# plt.xlabel('Epoch')
# plt.ylabel('Loss')
# plt.title('Training Loss over Epochs')
# plt.grid(True)
# plt.show()

模型的推理:

之前我們說完了訓練模型，那么現在我們來測試模型。測試這個詞在大模型領域叫做推理(inference),意味著把數據輸入到訓練好的模型的過程。
?

注意損失和優化器在訓練階段。?

“注意損失和優化器在訓練階段”是指：在深度學習模型的訓練階段（而非測試/評估階段），損失函數（Loss Function）和優化器（Optimizer）是核心組件，用于更新模型參數；而在測試/評估階段不需要這兩個組件。

具體解釋如下：

1. 損失函數（Loss Function）的作用

損失函數用于衡量模型預測值與真實值之間的誤差。在訓練階段，我們需要通過損失函數計算當前模型的“錯誤程度”（例如分類任務常用交叉熵損失）。這個損失值會作為信號，指導優化器調整模型參數。

2. 優化器（Optimizer）的作用

優化器根據損失函數計算出的誤差，通過反向傳播（Backward Propagation）更新模型的權重參數（例如SGD、Adam等優化器）。訓練的核心目標就是通過優化器不斷調整參數，使得損失值逐漸降低，模型性能提升。

3. 為什么測試階段不需要損失和優化器？

測試/評估階段的目標是驗證模型在未見過數據上的表現（如你提供的代碼中的model.eval()和torch.no_grad()）。此時模型參數已經固定（通過訓練階段優化完成），只需前向傳播得到預測結果（如outputs = model(X_test)），不需要計算損失（因為不關心“誤差多大”，只關心“預測是否正確”），也不需要優化器（因為不更新參數）。

與你當前代碼的關系

提供的代碼是測試階段的評估邏輯，因此沒有出現損失函數和優化器的代碼。但在訓練階段（例如for epoch in range(num_epochs)的循環中），一定會包含類似以下邏輯：

# 訓練階段示例代碼（非修改你的原代碼）
model.train()  # 開啟訓練模式
optimizer.zero_grad()  # 清空優化器梯度
outputs = model(X_train)  # 前向傳播
loss = criterion(outputs, y_train)  # 計算損失（criterion是損失函數）
loss.backward()  # 反向傳播計算梯度
optimizer.step()  # 優化器更新參數

# 在測試集上評估模型，此時model內部已經是訓練好的參數了
# 評估模型
model.eval() # 設置模型為評估模式
with torch.no_grad(): # torch.no_grad()的作用是禁用梯度計算，可以提高模型推理速度outputs = model(X_test)  # 對測試數據進行前向傳播，獲得預測結果_, predicted = torch.max(outputs, 1) # torch.max(outputs, 1)返回每行的最大值和對應的索引#這個函數返回2個值，分別是最大值和對應索引，參數1是在第1維度（行）上找最大值，_ 是Python的約定，表示忽略這個返回值，所以這個寫法是找到每一行最大值的下標# 此時outputs是一個tensor，p每一行是一個樣本，每一行有3個值，分別是屬于3個類別的概率，取最大值的下標就是預測的類別# predicted == y_test判斷預測值和真實值是否相等，返回一個tensor，1表示相等，0表示不等，然后求和，再除以y_test.size(0)得到準確率# 因為這個時候數據是tensor，所以需要用item()方法將tensor轉化為Python的標量# 之所以不用sklearn的accuracy_score函數，是因為這個函數是在CPU上運行的，需要將數據轉移到CPU上，這樣會慢一些# size(0)獲取第0維的長度，即樣本數量correct = (predicted == y_test).sum().item() # 計算預測正確的樣本數accuracy = correct / y_test.size(0)print(f'測試集準確率: {accuracy * 100:.2f}%')