pytorch 權(quán)重weight 與梯度grad 可視化操作

更新時(shí)間：2021年06月05日 11:59:43 作者：rainbow_lucky0106

這篇文章主要介紹了pytorch 權(quán)重weight 與梯度grad 可視化操作，具有很好的參考價(jià)值，希望對大家有所幫助。如有錯(cuò)誤或未考慮完全的地方，望不吝賜教

pytorch 權(quán)重weight 與梯度grad 可視化

查看特定layer的權(quán)重以及相應(yīng)的梯度信息

打印模型

觀察到model下面有module的key，module下面有features的key， features下面有(0)的key，這樣就可以直接打印出weight了

在pdb debug界面輸入p model.module.features[0].weight，就可以看到weight，輸入 p model.module.features[0].weight.grad 就可以查看梯度信息。

中間變量的梯度 : .register_hook

pytorch 為了節(jié)省顯存，在反向傳播的過程中只針對計(jì)算圖中的葉子結(jié)點(diǎn)(leaf variable)保留了梯度值(gradient)。但對于開發(fā)者來說，有時(shí)我們希望探測某些中間變量(intermediate variable) 的梯度來驗(yàn)證我們的實(shí)現(xiàn)是否有誤，這個(gè)過程就需要用到 tensor的register_hook接口

grads = {}
def save_grad(name):
    def hook(grad):
        grads[name] = grad
    return hook
x = torch.randn(1, requires_grad=True)
y = 3*x
z = y * y
# 為中間變量注冊梯度保存接口，存儲(chǔ)梯度時(shí)名字為 y。
y.register_hook(save_grad('y'))
# 反向傳播 
z.backward()
# 查看 y 的梯度值
print(grads['y'])

打印網(wǎng)絡(luò)回傳梯度

net.named_parameters()

parms.requires_grad 表示該參數(shù)是否可學(xué)習(xí)，是不是frozen的；

parm.grad 打印該參數(shù)的梯度值。

net = your_network().cuda()
def train():
 ...
 outputs = net(inputs)
    loss = criterion(outputs, targets)
    loss.backward()
 for name, parms in net.named_parameters(): 
  print('-->name:', name, '-->grad_requirs:',parms.requires_grad, \
   ' -->grad_value:',parms.grad)

查看pytorch產(chǎn)生的梯度

[x.grad for x in self.optimizer.param_groups[0]['params']]

pytorch模型可視化及參數(shù)計(jì)算

我們在設(shè)計(jì)完程序以后希望能對我們的模型進(jìn)行可視化，pytorch這里似乎沒有提供相應(yīng)的包直接進(jìn)行調(diào)用，下面把代碼貼出來：

import torch
from torch.autograd import Variable
import torch.nn as nn
from graphviz import Digraph
def make_dot(var, params=None):
   
    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

我們在我們的模型下面直接進(jìn)行調(diào)用就可以了，例如：

if __name__ == "__main__":
    model = DeepLab(backbone='resnet', output_stride=16)
    input = torch.rand(1, 3, 53, 53)
    output = model(input)
    g = make_dot(output)
    g.view()
    params = list(net.parameters())
    k = 0
    for i in params:
        l = 1
        print("該層的結(jié)構(gòu)：" + str(list(i.size())))
        for j in i.size():
            l *= j
        print("該層參數(shù)和：" + str(l))
        k = k + l
    print("總參數(shù)數(shù)量和：" + str(k))

模型部分可視化結(jié)果：