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
可視化
理解深度學習網絡最重要的2點：
1.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
2.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
1.1 nn.model自帶的方法
#1.
# nn.Module 的內置功能，直接輸出模型結構
print(model)#2.
# 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}")#3.
# 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)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,))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。
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
from torchinfo import summary
summary(model, input_size=(4, ))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
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# 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}%')
