Datawhale 深入浅出Pytorch【第七章：PyTorch可视化】_第六章:pytorch进阶训练技巧第七章:pytorch可视化-CSDN博客

本文链接：https://blog.csdn.net/beckygong001/article/details/124983346

本文深入浅出地探讨了使用PyTorch进行深度学习模型的可视化，包括Torchvision的网络结构可视化，CNN卷积核与特征图的可视化，以及如何利用TensorBoard进行训练过程的全面可视化。通过可视化，可以更好地理解模型的工作原理和训练动态。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

一、网络结构可视化

1. Torchvision可视化

通过Torchvision进行可视化，可以帮助我们弄清神经网络每一层的输入结构、输出结构及参数等信息。
在这里插入图片描述

下图给出网络总的参数：11689512；可训练的参数为11689512；不可训练的参数为0；于此同时，当我们发现参数量很大的时候我们可以通过减少特定的层来减少参数量。

在这里插入图片描述

二、CNN可视化

理解CNN的重要一步是可视化，包括可视化特征是如何提取的、提取到的特征的形式以及模型在输入数据上的关注点等。

首先确定模型有哪些层，卷积层的是哪个。
用dict(resnet18.named_children())[‘conv1’]来查看网络的层结构。
需要确定卷积层参数的情况。
用 .weight.cpu().detach()
查看kernel_set的大小，逐次遍历kernel_set的内容去获得卷积核，并用matplotlib来进行可视化

1.可视化CNN卷积核的方法

卷积核在CNN中负责提取特征，可视化卷积核能够帮助人们理解CNN各个层在提取什么样的特征，进而理解模型的工作原理。
在这里插入图片描述

2.可视化CNN特征图的方法–HOOK

我们需要在层上挂上钩子hook,当数据向水流一样向前传播后，这一层钩子上所留下的东西就是我们想要的特征图。

可视化CNN显著图（class activation map)

class activation map （CAM）的作用是判断哪些变量对模型来说是重要的，在CNN可视化的场景下，即判断图像中哪些像素点对预测结果是重要的

from pytorch_grad_cam import GradCAM,ScoreCAM,GradCAMPlusPlus,AblationCAM,XGradCAM,EigenCAM,FullGrad
from pytorch_grad_cam.utils.model_targets import ClassifierOutputTarget
from pytorch_grad_cam.utils.image import show_cam_on_image

target_layers = [model.features[-1]]
# 选取合适的类激活图，但是ScoreCAM和AblationCAM需要batch_size
cam = GradCAM(model=model,target_layers=target_layers)
targets = [ClassifierOutputTarget(preds)]   
# 上方preds需要设定，比如ImageNet有1000类，这里可以设为200
grayscale_cam = cam(input_tensor=img_tensor, targets=targets)
grayscale_cam = grayscale_cam[0, :]
cam_img = show_cam_on_image(rgb_img, grayscale_cam, use_rgb=True)
print(type(cam_img))
Image.fromarray(cam_img)