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>
<强>安装强>
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>载入库强>
import 系统 import 火炬 import tensorwatch  as 太瓦 import torchvision。模型
<>强网络结构可视化强>
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。
<强>统计网络参数强>
可以通过model_stats方法统计各层的参数情况。
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。