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
模型結構可視化
理解一個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---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. 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，會直接打印模型對象，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)

對比 fc1.weight 和 fc2.weight 的統計信息 ，可以發現它們的均值、標準差、最值等存在差異。這反映了不同層在模型中的作用不同。權重統計信息可以為超參數調整提供參考。

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,))

?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：

1. 創建一個與 input_size 形狀匹配的虛擬輸入張量（通常填充零）

2. 將虛擬輸入傳遞給模型，執行一次前向傳播（但不計算梯度）

3. 記錄每一層的輸入和輸出形狀，以及參數數量

4. 生成可讀的摘要報告

構建神經網絡的時候

1. 輸入層不需要寫：x多少個特征 輸入層就有多少神經元

2. 隱藏層需要寫，從第一個隱藏層可以看出特征的個數

3. 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

可學習參數計算

1. 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

2. relu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

3. 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

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/simple

from torchinfo import summary
summary(model, input_size=(4, ))

進度條功能
tqdm這個庫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

1. 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。

2. 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）。

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）
• @浙大疏錦行