画pytorch模型图,以及参数计算的方法

刚入pytorch的坑，代码还没看太懂。之前用keras用习惯了，第一次使用pytorch还有些不适应，希望广大老司机多多指教。

首先说说，我们如何可视化模型。在keras中就一句话，keras.summary()，或者plot_model()，就可以把模型展现的淋漓尽致。

但是pytorch中好像没有这样一个api让我们直观的看到模型的样子。但是有网友提供了一段代码，可以把模型画出来，对我来说简直就是如有神助啊。

话不多说，上代码吧。

import torch
from torch.autograd import Variable
import torch.nn as nn
from graphviz import Digraph

class CNN(nn.Module):
 def __init__(self):
   super(CNN, self).__init__()
   self.conv1 = nn.Sequential(
     nn.Conv2d(in_channels=1, out_channels=16, kernel_size=5, stride=1, padding=2),
     nn.ReLU(),
     nn.MaxPool2d(kernel_size=2)
   )
   self.conv2 = nn.Sequential(
     nn.Conv2d(in_channels=16, out_channels=32, kernel_size=5, stride=1, padding=2),
     nn.ReLU(),
     nn.MaxPool2d(kernel_size=2)
   )
   self.out = nn.Linear(32*7*7, 10)

def forward(self, x):
   x = self.conv1(x)
   x = self.conv2(x)
   x = x.view(x.size(0), -1) # (batch, 32*7*7)
   out = self.out(x)
   return out

def make_dot(var, params=None):
 """ Produces Graphviz representation of PyTorch autograd graph
 Blue nodes are the Variables that require grad, orange are Tensors
 saved for backward in torch.autograd.Function
 Args:
   var: output Variable
   params: dict of (name, Variable) to add names to node that
     require grad (TODO: make optional)
 """
 if params is not None:
   assert isinstance(params.values()[0], Variable)
   param_map = {id(v): k for k, v in params.items()}

node_attr = dict(style='filled',
          shape='box',
          align='left',
          fontsize='12',
          ranksep='0.1',
          height='0.2')
 dot = Digraph(node_attr=node_attr, graph_attr=dict(size="12,12"))
 seen = set()

def size_to_str(size):
   return '('+(', ').join(['％d' ％ v for v in size])+')'

def add_nodes(var):
   if var not in seen:
     if torch.is_tensor(var):
       dot.node(str(id(var)), size_to_str(var.size()), fillcolor='orange')
     elif hasattr(var, 'variable'):
       u = var.variable
       name = param_map[id(u)] if params is not None else ''
       node_name = '％s\n ％s' ％ (name, size_to_str(u.size()))
       dot.node(str(id(var)), node_name, fillcolor='lightblue')
     else:
       dot.node(str(id(var)), str(type(var).__name__))
     seen.add(var)
     if hasattr(var, 'next_functions'):
       for u in var.next_functions:
         if u[0] is not None:
           dot.edge(str(id(u[0])), str(id(var)))
           add_nodes(u[0])
     if hasattr(var, 'saved_tensors'):
       for t in var.saved_tensors:
         dot.edge(str(id(t)), str(id(var)))
         add_nodes(t)
 add_nodes(var.grad_fn)
 return dot

if __name__ == '__main__':
 net = CNN()
 x = Variable(torch.randn(1, 1, 28, 28))
 y = net(x)
 g = make_dot(y)
 g.view()

params = list(net.parameters())
 k = 0
 for i in params:
   l = 1
   print("该层的结构：" + str(list(i.size())))
   for j in i.size():
     l *= j
   print("该层参数和：" + str(l))
   k = k + l
 print("总参数数量和：" + str(k))

模型很简单，代码也很简单。就是conv -> relu -> maxpool -> conv -> relu -> maxpool -> fc

大家在可视化的时候，直接复制make_dot那段代码即可，然后需要初始化一个net，以及这个网络需要的数据规模，此处就以 这段代码为例，初始化一个模型net，准备这个模型的输入数据x，shape为(batch，channels，height，width) 然后把数据传入模型得到输出结果y。传入make_dot即可得到下图。

 net = CNN()
 x = Variable(torch.randn(1, 1, 28, 28))
 y = net(x)
 g = make_dot(y)
 g.view()

最后输出该网络的各种参数。

该层的结构：[16, 1, 5, 5]
该层参数和：400
该层的结构：[16]
该层参数和：16
该层的结构：[32, 16, 5, 5]
该层参数和：12800
该层的结构：[32]
该层参数和：32
该层的结构：[10, 1568]
该层参数和：15680
该层的结构：[10]
该层参数和：10
总参数数量和：28938

来源：https://blog.csdn.net/qq_18293213/article/details/79047742