5月24日day35打卡

模型可视化与推理

知识点回顾：

三种不同的模型可视化方法：推荐torchinfo打印summary+权重分布可视化
进度条功能：手动和自动写法，让打印结果更加美观
推理的写法：评估模式

作业：调整模型定义时的超参数，对比下效果。

#  nn.Module 的内置功能，直接输出模型结构
print(model)

简单来说，你看到的是一个神经网络模型的“内部结构清单”，就像拆开一台机器后看到的零件列表。咱们用生活中的例子来理解：

假设你要做一个“判断水果类型”的模型（比如区分苹果、香蕉、橘子），输入可能是水果的4个特征（比如重量、颜色、表皮光滑度、大小），输出是3种水果的概率。这个MLP模型的结构就像一条“数据加工流水线”：

第一关（fc1层）：有个“4转10的转换器”。它拿到输入的4个特征数据后，会做一些数学计算（比如加权求和+偏移），把这4个数据“变”成10个新的数据。就像把4种原材料加工成10种中间产物。
激活关（relu层）：这一步会“过滤掉没用的中间产物”。比如如果某个中间产物算出来是负数（可能代表“没用的信息”），它就会直接变成0（相当于丢弃），只保留正数的部分。这样能让模型更“聪明”，只关注有用的信息。
第二关（fc2层）：有个“10转3的转换器”。它拿到前面过滤后的10个数据，再做一次数学计算，最终把它们“浓缩”成3个结果。这3个结果就对应你要判断的3种水果的概率（比如哪个数值大，就更可能是对应的水果）。

所以整体看，这个模型就是通过两层“数据转换器”+一层“过滤无用信息”的步骤，把输入的4个特征，一步步处理成3个最终结果。

# nn.Module 的内置功能，返回模型的可训练参数迭代器
for name, param in model.named_parameters():print(f"Parameter name: {name}, Shape: {param.shape}")

这些是神经网络模型中各个层的可学习参数（权重和偏置）的信息，用大白话解释就是模型“内部用来做计算的规则”。我们一个一个看：

1. `fc1.weight`（形状 [10, 4]）

这是第一个全连接层（fc1）的“权重矩阵”。

作用：负责把输入的4维数据“转换”成10维数据。
形状含义：10行（对应输出的10个维度），4列（对应输入的4个维度）。可以理解为：每个输出维度（共10个）需要和输入的4个维度“一一配对”计算，所以需要10×4个“小规则”（即权重参数）。

2. `fc1.bias`（形状 [10]）

这是第一个全连接层的“偏置参数”。

作用：给每个输出维度的计算结果加一个“偏移量”（类似数学里的 y = kx + b 中的 b），让模型能拟合更复杂的规律。
形状含义：因为fc1输出是10维，所以需要10个偏置参数（每个输出维度对应1个）。

3. `fc2.weight`（形状 [3, 10]）

这是第二个全连接层（fc2）的“权重矩阵”。

作用：负责把前一层（fc1）输出的10维数据“转换”成最终的3维结果。
形状含义：3行（对应最终输出的3个维度），10列（对应前一层输入的10个维度）。每个输出维度（共3个）需要和前一层的10个维度“配对”计算，所以需要3×10个权重参数。

4. `fc2.bias`（形状 [3]）

这是第二个全连接层的“偏置参数”。

作用：给最终输出的每个维度加一个“偏移量”。
形状含义：因为最终输出是3维，所以需要3个偏置参数（每个输出维度对应1个）。

总结

这些参数是模型在训练过程中自动学习的（比如通过调整这些参数的值，让模型预测更准）。简单说，它们就像模型内部的“计算器”，输入数据经过这些参数的计算后，最终得到你想要的结果（比如分类、回归等）。

# 提取权重数据
import numpy as np
weight_data = {}
for name, param in model.named_parameters():if 'weight' in name:weight_data[name] = param.detach().cpu().numpy()# 可视化权重分布
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()):# 展平权重张量为一维数组weights_flat = weights.flatten()# 绘制直方图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()# 计算并打印每层权重的统计信息
print("\n=== 权重统计信息 ===")
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"  标准差: {std:.6f}")print(f"  最小值: {min_val:.6f}")print(f"  最大值: {max_val:.6f}")print("-" * 30)

这里的“每层权重”指的是神经网络中每个可学习层（比如全连接层）内部的“核心参数”，也就是模型通过训练自动调整的“规则数值”。咱们结合你的代码和神经网络的工作原理，用大白话解释：

1. 什么是“权重”？

简单说，权重是神经网络里神经元之间的“连接强度”。就像你做数学题时的“计算公式”——比如输入4个特征（x1, x2, x3, x4），输出10个中间结果（y1~y10），每个y的计算可能是：
y1 = x1*w11 + x2*w12 + x3*w13 + x4*w14
这里的w11、w12、w13、w14就是“权重”（weight），它们决定了输入特征对输出结果的影响程度。

2. “每层权重”具体指什么？

你的代码里，model.named_parameters()会遍历模型所有可训练参数（包括权重和偏置），而if 'weight' in name筛选出了属于“权重”的参数。例如：

如果模型有fc1（第一个全连接层），对应的权重是fc1.weight；
如果有fc2（第二个全连接层），对应的权重是fc2.weight；
这些就是代码中“每层权重”的具体对象。

3. 代码在“提取”和“分析”它们的什么？

你的代码做了两件关键的事：

（1）提取权重数据

把模型中每个层的权重参数（比如fc1.weight和fc2.weight）从PyTorch的张量（Tensor）转成numpy数组，存到weight_data字典里。这样后续可以用numpy和matplotlib分析。

（2）可视化+统计分析

直方图：把每个层的权重值“摊平”成一维数组（比如fc1.weight是10×4的矩阵，摊平后是40个数值），然后统计这些数值的分布（比如大部分权重是0附近的小数？还是有很多大的正数/负数？）。
统计信息：计算每个层权重的均值、标准差、最小/最大值。这些数值能帮你快速判断：
- 权重是否初始化合理（比如均值是否接近0，标准差是否太小/太大）；
- 训练是否正常（比如训练后权重是否有明显变化，是否出现梯度消失/爆炸）。

总结

“每层权重”就是模型中每个层（比如全连接层）里用于“计算输入→输出”的核心参数。你的代码在“检查”这些参数的分布和统计特征，就像给模型做“体检”——通过它们的数值表现，你可以判断模型是否训练正常、参数初始化是否合理，甚至定位训练中的问题（比如权重全为0可能是初始化错误）。

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

这是用 torchsummary 工具打印的模型“详细体检报告”，帮你快速看清模型每一层的“输出尺寸”和“参数数量”。咱们逐行用大白话解释：

第一部分：各层的具体信息（表格）

表格里的具体行：

Linear-1（第一个全连接层）
- Output Shape [-1, 10]：不管输入多少个样本（-1 代表批量大小），每个样本经过这层后会变成10个特征的数据。
- Param # 50：这层有50个参数。计算方式是：输入4个特征，输出10个特征 → 权重参数是 10×4=40（类似“4转10的转换规则”），再加上10个偏置参数（每个输出特征一个），总共 40+10=50。
ReLU-2（激活函数层）
- Output Shape [-1, 10]：激活函数不会改变数据的特征数量，所以输出还是10个特征。
- Param # 0：ReLU激活函数（比如 max(0, x)）没有需要学习的参数，只是单纯的数学运算，所以参数数为0。
Linear-3（第二个全连接层）
- Output Shape [-1, 3]：每个样本经过这层后会变成3个特征的数据（比如对应3分类任务的结果）。
- Param # 33：输入是前一层的10个特征，输出3个特征 → 权重参数是 3×10=30，加上3个偏置参数，总共 30+3=33。

第二部分：模型整体统计（表格下方）

Total params: 83：整个模型所有层的参数总和（50+0+33=83）。
Trainable params: 83：所有参数都可以被训练（比如用数据调整这些参数的值）。
Non-trainable params: 0：没有“冻结”的参数（有些模型会固定部分参数不训练，这里没有这种情况）。

第三部分：内存占用估计（最下方）

这部分是模型运行时的内存消耗估算（输入数据、计算过程、参数本身占用的内存）。这里显示 0.00 可能是因为输入数据的尺寸太小（比如输入是4维的小数），实际项目中如果输入数据很大（如图像），这里会显示具体数值。

总结：这个摘要是模型的“透明化报告”，让你一眼看清每一层怎么“加工数据”，以及模型总共需要学多少参数（参数越多，模型“记忆能力”越强，但可能越容易过拟合）。

该方法不显示输入层的尺寸，因为输入的神经网是自己设置的，所以不需要显示输入层的尺寸。但是在使用该方法时，input size=(4,)参数是必需的，因为PyTorch需要知道输入数据的形状才能推断模型各层的输出形状和参数数量。

这是因为PyTorch的模型在定义时是动态的，它不会预先知道输入数据的具体形状。nn.Linear(4,10)只定义了"输入维度是4，输出维度是10”，但不知道输入的批量大小和其他维度，比如卷积层需要知道输入的通道数、高度、宽度等信息。-并非所有输入数据都是结构化数据

因此，要生成模型摘要（如每层的输出形状、参数数量），必须提供一个示例输入形状，让PyTorch"运行”一次模型，从而推断出各层的信息。

summary函数的核心逻辑是：

创建一个与input size形状匹配的虚拟输入张量（通常填充零）
将虚拟输入传递给模型，执行一次前向传播（但不计算梯度）
记录每一层的输入和输出形状，以及参数数量
生成可读的摘要报告

构建神经网络的时候

输入层不需要写：x多少个特征输入层就有多少神经元
隐藏层需要写，从第一个隐藏层可以看出特征的个数
输出层的神经元和任务有关，比如分类任务，输出层有3个神经元，一个对应每个类别

上图只是帮助你理解，和上述架构不同，每条线记录权重w,在每个神经元内计算并且输出Relu(w*x+b)

可以看做，线记录权重，神经元记录偏置和损失函数

可学习参数计算

Linear-1对应self.fc1=nn.Linear(4,10),表明前一层有4个神经元，这一层有10个神经元，每2个神经元之间靠着线相连，所有有4*10个权重参数+10个偏置参数=50个参数
rlu层不涉及可学习参数，可以把它和前一个线性层看成一层，图上也是这个含义
Linear-3层对应代码self.fc2=nn.Linear(10,3),10*3个权重参数+3个偏置=33个参数

总参数83个，占用内存几乎为0

torchinfo是提供比torchsummary更详细的模型摘要信息，包括每层的输入输出形状、参数数量、计算量等。

torchinfo是提供比torchsummary更详细的模型摘要信息，包括每层的输入输出形状、参数数
量、计算量等。

进度条功能：

我们介绍下tgdm这个库，他非常适合用在循环中观察进度。尤其在深度学习这种训练是循环的场景中。他最核心的逻辑如下：

创建一个进度条对象，并传入总迭代次数。一般用wth语句创建对象，这样对象会在with语句结束后自动销毁，保证资源释放。wth是常见的上下文管理器，这样的使用方式还有用with打开文件，结束后会自动关闭文件。
更新进度条，通过pbar.update(n)指定每次前进的步数n(适用于非固定步长的循环)。

手动更新：

from tqdm import tqdm  # 先导入tqdm库
import time  # 用于模拟耗时操作# 创建一个总步数为10的进度条
with tqdm(total=10) as pbar:  # pbar是进度条对象的变量名# pbar 是 progress bar（进度条）的缩写，约定俗成的命名习惯。for i in range(10):  # 循环10次（对应进度条的10步）time.sleep(0.5)  # 模拟每次循环耗时0.5秒pbar.update(1)  # 每次循环后，进度条前进1步

from tqdm import tqdm
import time# 创建进度条时添加描述（desc）和单位（unit）
with tqdm(total=5, desc="下载文件", unit="个") as pbar:# 进度条这个对象，可以设置描述和单位# desc是描述，在左侧显示# unit是单位，在进度条右侧显示for i in range(5):time.sleep(1)pbar.update(1)  # 每次循环进度+1

unit参数的核心作用是明确进度条中每个进度单位的含义，使可视化信息更具可读性。在深度学习训练中，常用的单位包括：

epoch:训练轮次（遍历整个数据集一次）。
batch:批次（每次梯度更新处理的样本组）。
sample:样本（单个数据点）

自动更新：

from tqdm import tqdm
import time# 直接将range(3)传给tqdm，自动生成进度条
# 这个写法我觉得是有点神奇的，直接可以给这个对象内部传入一个可迭代对象，然后自动生成进度条
for i in tqdm(range(3), desc="处理任务", unit="epoch"):time.sleep(1)

for i in tqdm(range(3),desc="处理任务"，unit="个")这个写法则不需要在循环中调用update()方法，更加简洁
实际上这2种写法都随意选取，这里都介绍下

# 用tqdm的set_postfix方法在进度条右侧显示实时数据（如当前循环的数值、计算结果等）：
from tqdm import tqdm
import timetotal = 0  # 初始化总和
with tqdm(total=10, desc="累加进度") as pbar:for i in range(1, 11):time.sleep(0.3)total += i  # 累加1+2+3+...+10pbar.update(1)  # 进度+1pbar.set_postfix({"当前总和": total})  # 显示实时总和

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  # 导入tqdm库用于进度条显示# 设置GPU设备
device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")
print(f"使用设备: {device}")# 加载鸢尾花数据集
iris = load_iris()
X = iris.data  # 特征数据
y = iris.target  # 标签数据# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)# 归一化数据
scaler = MinMaxScaler()
X_train = scaler.fit_transform(X_train)
X_test = scaler.transform(X_test)# 将数据转换为PyTorch张量并移至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)  # 输入层到隐藏层self.relu = nn.ReLU()self.fc2 = nn.Linear(10, 3)  # 隐藏层到输出层def forward(self, x):out = self.fc1(x)out = self.relu(out)out = self.fc2(out)return out# 实例化模型并移至GPU
model = MLP().to(device)# 分类问题使用交叉熵损失函数
criterion = nn.CrossEntropyLoss()# 使用随机梯度下降优化器
optimizer = optim.SGD(model.parameters(), lr=0.01)# 训练模型
num_epochs = 20000  # 训练的轮数# 用于存储每100个epoch的损失值和对应的epoch数
losses = []
epochs = []start_time = time.time()  # 记录开始时间# 创建tqdm进度条
with tqdm(total=num_epochs, desc="训练进度", unit="epoch") as pbar:# 训练模型for epoch in range(num_epochs):# 前向传播outputs = model(X_train)  # 隐式调用forward函数loss = criterion(outputs, y_train)# 反向传播和优化optimizer.zero_grad()loss.backward()optimizer.step()# 记录损失值并更新进度条if (epoch + 1) % 200 == 0:losses.append(loss.item())epochs.append(epoch + 1)# 更新进度条的描述信息pbar.set_postfix({'Loss': f'{loss.item():.4f}'})# 每1000个epoch更新一次进度条if (epoch + 1) % 1000 == 0:pbar.update(1000)  # 更新进度条# 确保进度条达到100%if pbar.n < num_epochs:pbar.update(num_epochs - pbar.n)  # 计算剩余的进度并更新time_all = time.time() - start_time  # 计算训练时间
print(f'Training time: {time_all:.2f} seconds')# # 可视化损失曲线
# 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:

之前我们说完了训练模型，那么现在我们来测试模型。测试这个词在大模型领域叫做推理(inference),意味着把数据输入到训练好的模型的过程。

注意损失和优化器在训练阶段。

“注意损失和优化器在训练阶段”是指：在深度学习模型的训练阶段（而非测试/评估阶段），损失函数（Loss Function）和优化器（Optimizer）是核心组件，用于更新模型参数；而在测试/评估阶段不需要这两个组件。

具体解释如下：

1. 损失函数（Loss Function）的作用

损失函数用于衡量模型预测值与真实值之间的误差。在训练阶段，我们需要通过损失函数计算当前模型的“错误程度”（例如分类任务常用交叉熵损失）。这个损失值会作为信号，指导优化器调整模型参数。

2. 优化器（Optimizer）的作用

优化器根据损失函数计算出的误差，通过反向传播（Backward Propagation）更新模型的权重参数（例如SGD、Adam等优化器）。训练的核心目标就是通过优化器不断调整参数，使得损失值逐渐降低，模型性能提升。

3. 为什么测试阶段不需要损失和优化器？

测试/评估阶段的目标是验证模型在未见过数据上的表现（如你提供的代码中的model.eval()和torch.no_grad()）。此时模型参数已经固定（通过训练阶段优化完成），只需前向传播得到预测结果（如outputs = model(X_test)），不需要计算损失（因为不关心“误差多大”，只关心“预测是否正确”），也不需要优化器（因为不更新参数）。

与你当前代码的关系

提供的代码是测试阶段的评估逻辑，因此没有出现损失函数和优化器的代码。但在训练阶段（例如for epoch in range(num_epochs)的循环中），一定会包含类似以下逻辑：

# 训练阶段示例代码（非修改你的原代码）
model.train()  # 开启训练模式
optimizer.zero_grad()  # 清空优化器梯度
outputs = model(X_train)  # 前向传播
loss = criterion(outputs, y_train)  # 计算损失（criterion是损失函数）
loss.backward()  # 反向传播计算梯度
optimizer.step()  # 优化器更新参数

# 在测试集上评估模型，此时model内部已经是训练好的参数了
# 评估模型
model.eval() # 设置模型为评估模式
with torch.no_grad(): # torch.no_grad()的作用是禁用梯度计算，可以提高模型推理速度outputs = model(X_test)  # 对测试数据进行前向传播，获得预测结果_, predicted = torch.max(outputs, 1) # torch.max(outputs, 1)返回每行的最大值和对应的索引#这个函数返回2个值，分别是最大值和对应索引，参数1是在第1维度（行）上找最大值，_ 是Python的约定，表示忽略这个返回值，所以这个写法是找到每一行最大值的下标# 此时outputs是一个tensor，p每一行是一个样本，每一行有3个值，分别是属于3个类别的概率，取最大值的下标就是预测的类别# predicted == y_test判断预测值和真实值是否相等，返回一个tensor，1表示相等，0表示不等，然后求和，再除以y_test.size(0)得到准确率# 因为这个时候数据是tensor，所以需要用item()方法将tensor转化为Python的标量# 之所以不用sklearn的accuracy_score函数，是因为这个函数是在CPU上运行的，需要将数据转移到CPU上，这样会慢一些# size(0)获取第0维的长度，即样本数量correct = (predicted == y_test).sum().item() # 计算预测正确的样本数accuracy = correct / y_test.size(0)print(f'测试集准确率: {accuracy * 100:.2f}%')