Day 35

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
模型结构可视化
理解一个深度学习网络最重要的2点：

1. 了解损失如何定义的，知道损失从何而来----把抽象的任务通过损失函数量化出来

2. 了解参数总量，即知道每一层的设计---层设计决定参数总量

为了了解参数总量，我们需要知道层设计，以及每一层参数的数量。下面介绍1几个层可视化工具：

1. nn.model自带的方法

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

这是最基础、最简单的方法，会直接打印模型对象，它会输出模型的结构，显示模型中各个层的名称和参数信息

# 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}")

可以将模型中带有weight的参数（即权重）提取出来，并转为 numpy 数组形式，对其计算统计分布，并且绘制可视化图表

# 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)

对比 fc1.weight 和 fc2.weight 的统计信息，可以发现它们的均值、标准差、最值等存在差异。这反映了不同层在模型中的作用不同。权重统计信息可以为超参数调整提供参考。

2.torchsummary库的summary方法

# pip install torchsummary -i https://pypi.tuna.tsinghua.edu.cn/simple

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

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：

1. 创建一个与 input_size 形状匹配的虚拟输入张量（通常填充零）

2. 将虚拟输入传递给模型，执行一次前向传播（但不计算梯度）

3. 记录每一层的输入和输出形状，以及参数数量

4. 生成可读的摘要报告

构建神经网络的时候

1. 输入层不需要写：x多少个特征输入层就有多少神经元

2. 隐藏层需要写，从第一个隐藏层可以看出特征的个数

3. 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

可学习参数计算

1. 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

2. relu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

3. 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

1.3 torchinfo库的summary方法
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。

# pip install torchinfo -i https://pypi.tuna.tsinghua.edu.cn/simple

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

进度条功能
tqdm这个库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

1. 创建一个进度条对象，并传入总迭代次数。一般用with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。with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。

2. 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）。

1.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：