Pytorch网络结构可视化

　　介绍

这期内容当中小编将会给大家带来有关Pytorch网络结构可视化,文章内容丰富且以专业的角度为大家分析和叙述,阅读完这篇文章希望大家可以有所收获。

<强> Pytorch网络结构可视化:Pytorch是使用GPU和CPU优化的深度学习张量库。

<强>安装

可以通过以下的命令进行安装

conda  install  pytorch-nightly  -c  Pytorch 　　conda  install  graphviz 　　conda  install  torchvision 　　conda  install  tensorwatch

基于以下的版本:

torchvision.__version__ ,, & # 39; 0.2.1& # 39; 　　torch.__version__ ,,,,,,,, & # 39; 1.2.0.dev20190610& # 39; 　　sys.version ,,,,,,,,,,,,,, & # 39; 3.6.8  | Anaconda  custom (64位)|,(默认情况下,,Dec  30, 2018年,01:22:34), 　　[GCC  7.3.0] & # 39;

<强>载入库

import 系统 　　import 火炬 　　import  tensorwatch  as 太瓦 　　import  torchvision。模型

<>强网络结构可视化

alexnet_model =, torchvision.models.alexnet () 　　tw.draw_model (alexnet_model,, 1,, 3,, 224, 224])

载入alexnet, draw_model函数需要传入三个参数,第一个为模型,第二个参数为input_shape,第三个参数为取向,可以选择& # 39;lr # 39;或者& # 39;结核病# 39;,分别代表左右布局与上下布局。

在笔记本中,执行完上面的代码会显示如下的图,将网络的结构及各个层的名称和形状进行了可视化。

Pytorch网络结构可视化

<强>统计网络参数

可以通过model_stats方法统计各层的参数情况。

Pytorch网络结构可视化

tw.model_stats (alexnet_model, [1,, 3,, 224, 224]) 　　[MAdd]:, Dropout  is  not 支持! 　　【失败】:Dropout  is  not 支持! 　　【记忆】:Dropout  is  not 支持! 　　[MAdd]:, Dropout  is  not 支持! 　　【失败】:Dropout  is  not 支持! 　　【记忆】:Dropout  is  not 支持! 　　[MAdd]:, Dropout  is  not 支持! 　　【失败】:Dropout  is  not 支持! 　　【记忆】:Dropout  is  not 支持! 　　[MAdd]:, Dropout  is  not 支持! 　　【失败】:Dropout  is  not 支持! 　　【记忆】:Dropout  is  not 支持! 　　[MAdd]:, Dropout  is  not 支持! 　　【失败】:Dropout  is  not 支持! 　　【记忆】:Dropout  is  not 支持! 　　[MAdd]:, Dropout  is  not 支持! 　　【失败】:Dropout  is  not 支持! 　　【记忆】:Dropout  is  not 支持! 　　alexnet_model.features 　　顺序( 　　,,(0):Conv2d(3), 64年,kernel_size=(11, 11),跨步=(4,4),填充=(2,2)) 　　,,(1):ReLU(原地=True) 　　,,(2):MaxPool2d (kernel_size=3,,=2,大步,填充=0,,膨胀=1,ceil_mode=False) 　　,,(3):Conv2d (64,, 192,, kernel_size=(5,, 5),跨步=(1,1),填充=(2,2)) 　　,,(4):ReLU(原地=True) 　　,,(5):MaxPool2d (kernel_size=3,,=2,大步,填充=0,,膨胀=1,ceil_mode=False) 　　,,(6):Conv2d (192,, 384,, kernel_size=(3, 3),跨步=(1,1),填充=(1,1)) 　　,,(7):ReLU(原地=True) 　　,,(8):Conv2d (384,, 256,, kernel_size=(3, 3),跨步=(1,1),填充=(1,1)) 　　,,(9):ReLU(原地=True) 　　,,(10):Conv2d (256,, 256,, kernel_size=(3, 3),跨步=(1,1),填充=(1,1)) 　　,,(11):ReLU(原地=True) 　　,,(12):MaxPool2d (kernel_size=3,,=2,大步,填充=0,,膨胀=1,ceil_mode=False) 　　) 　　alexnet_model.classifier 　　顺序( 　　,,(0):辍学(p=0.5) 　　,,(1):线性(in_features=9216,, out_features=4096,,偏见=True) 　　,,(2):ReLU(原地=True) 　　,,(3):辍学(p=0.5) 　　,,(4):线性(in_features=4096,, out_features=4096,,偏见=True) 　　,,(5):ReLU(原地=True) 　　,,(6):线性(in_features=4096,, out_features=1000,,偏见=True) 　　)

上述就是小编为大家分享的Pytorch网络结构可视化了,如果刚好有类似的疑惑,不妨参照上述分析进行理解。如果想知道更多相关知识,欢迎关注行业资讯频道。

Pytorch网络结构可视化