一、模型結構可視化
理解一個深度學習網絡最重要的2點：
- 了解損失如何定義的，知道損失從何而來----把抽象的任務通過損失函數量化出來
- 了解參數總量，即知道每一層的設計才能退出—層設計決定參數總量
為了了解參數總量，我們需要知道層設計，以及每一層參數的數量。下面介紹1幾個層可視化工具：
1.1 nn.model自帶的方法
# nn.Module 的內置功能，直接輸出模型結構
print(model)
這是最基礎、最簡單的方法，直接打印模型對象，它會輸出模型的結構，顯示模型中各個層的名稱和參數信息
# 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}")
可以將模型中帶有weight的參數（即權重）提取出來，并轉為 numpy 數組形式，對其計算統計分布，并且繪制可視化圖表
# 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)
1.2 torchsummary庫的summary方法
# pip install torchsummary -i https://pypi.tuna.tsinghua.edu.cn/simple
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,))
1.3 torchinfo庫的summary方法
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。
# pip install torchinfo -i https://pypi.tuna.tsinghua.edu.cn/simplefrom torchinfo import summary
summary(model, input_size=(4, ))
二、 進度條功能
我們介紹下tqdm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with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。with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）。
2.1 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）
2.2 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)三、 模型的推理
# 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}%')
