网络结构可视化
使用pytorch定义网络结构之后，为了直观起见，需要可视化网络结构，以图的形式显示出来。pytorch网络结构可视化可以采用tensorboardX。
开发/实验环境
- Ubuntu 18.04
- Anaconda3, python3.6.
- pytorch 1.0
- tensorflow, tensorboard, tensorboardX
- pycharm
tensorboardX
首先需要安装tensorboard, tensorflow。
pip install tensorflow
pip install tensorboard
pip install tensorboardX
实验
- 首先定义一个CNN网络，LetNet-5为例
import torch
import torch.nn as nn
import torch.nn.functional as F
from tensorboardX import SummaryWriter
'''
CNN计算
(H - k +2 * P) / S + 1
(W - k +2 * P) / S + 1
LetNet-5
input: 32*32*3
out_conv1 = (32-5)+1 = 28
max_pool1 = 28 / 2 = 14
out_conv2 = (14 - 5) + 1 = 10
max_pool2 = 10 / 2 = 5
'''
'''
定义一个神经网络
https://pytorch.org/tutorials/beginner/blitz/neural_networks_tutorial.html#sphx-glr-beginner-blitz-neural-networks-tutorial-py
'''
class Net(nn.Module):
def __init__(self):
super(Net, self).__init__()
# conv1层，输入的灰度图，所以 in_channels=1, out_channels=6 说明使用了6个滤波器/卷积核，
# kernel_size=5卷积核大小5x5
self.conv1 = nn.Conv2d(in_channels=1, out_channels=6, kernel_size=5)
# conv2层， 输入通道in_channels 要等于上一层的 out_channels
self.conv2 = nn.Conv2d(in_channels=6, out_channels=16, kernel_size=5)
# an affine operarion: y = Wx + b
# 全连接层fc1,因为32x32图像输入到fc1层时候，feature map为： 5x5x16
# 因此，全连接层的输入特征维度为16*5*5， 因为上一层conv2的out_channels=16
# out_features=84,输出维度为84，代表该层为84个神经元
self.fc1 = nn.Linear(16*5*5, 120)
self.fc2 = nn.Linear(in_features=120, out_features=84)
self.fc3 = nn.Linear(in_features=84, out_features=10)
def forward(self, x):
# Max pooling over a (2, 2) window
x = F.max_pool2d(F.relu(self.conv1(x)), (2, 2))
# If the size is a square you can only specify a single number
x = F.max_pool2d(F.relu(self.conv2(x)), 2)
# 特征图转换为一个１维的向量
x = x.view(-1, self.num_flat_features(x))
x = F.relu(self.fc1(x))
x = F.relu(self.fc2(x))
x = self.fc3(x)
return x
def num_flat_features(self, x):
size = x.size()[1:] # all dimensions except the batch dimension
num_features = 1
for s in size:
num_features *= s
return num_features
net = Net()
print(net)
# tensorboardX
# 假设输入1张1*32*32的图片
dummy_input = torch.rand(1, 1, 32, 32)
model = Net()
with SummaryWriter(comment='LeNet') as w:
w.add_graph(model, (dummy_input, ))
运行结果：
(输入为1x32x32， 不是1x28x28)
image
在当前工程目录下生成一个runs文件夹。
image.png
- 使用tensorboardX
因为笔者安装的是anconda3, 采用pip方式安装tensorflow, tensorboard, tensorboardX， 因此自动在anaconda3/bin/ 目录下自动生成了tensorbard文件。
image.png
image.png
step1: 在终端下，切换到run目录下：
image.png
step2: 运行命令
tensorboard --logdir xxxx
xxx------run所在的路径
image.png
image.png
step3: 在浏览器查看结果
image.png
image.png
查看网络结构：
image.png
保存网络结果：
image.png
letNet-5.png
End
参考：https://blog.csdn.net/sunqiande88/article/details/80155925
