6.5 模型參數視覺化
隨著神經網路越來越深，越來越複雜，手動計算模型中間的資料的shape變得困難。
本節將介紹torchinfo，可用一鍵實現模型參數量計算、各層特徵圖形狀計算和計算量計算等功能。
torchinfo的功能最早來自於TensorFlow和Kearas的summary()函數，torchinfo是學習借鑒而來。而在torchinfo之前還有torchsummary工具，不過torchsummary已經停止更新，並且推薦使用torchinfo。
torchsummay：https://github.com/sksq96/pytorch-summary
torchinfo：https://github.com/TylerYep/torchinfo
torchinfo 主要提供了一個函數，即
def summary( model: nn.Module, input_size: Optional[INPUT_SIZE_TYPE] = None, input_data: Optional[INPUT_DATA_TYPE] = None, batch_dim: Optional[int] = None, cache_forward_pass: Optional[bool] = None, col_names: Optional[Iterable[str]] = None,col_width: int = 25,
depth: int = 3,
device: Optional[torch.device] = None, dtypes: Optional[List[torch.dtype]] = None, mode: str | None = None, row_settings: Optional[Iterable[str]] = None,verbose: int = 1,
**kwargs: Any,) -> ModelStatistics:
torchinfo 演示
運行代碼
resnet_50 = models.resnet50(pretrained=False)
batch_size = 1summary(resnet_50, input_size=(batch_size,3,224,224))
可看到resnet50的以下資訊
==========================================================================================Layer (type:depth-idx) Output Shape Param #==========================================================================================ResNet [1,1000] --
├─Conv2d:1-1[1,64,112,112]9,408
├─BatchNorm2d:1-2[1,64,112,112]128
├─ReLU:1-3[1,64,112,112] --
├─MaxPool2d:1-4[1,64,56,56] --
├─Sequential:1-5[1,256,56,56] --
│└─Bottleneck:2-1[1,256,56,56] --
││└─Conv2d:3-1[1,64,56,56]4,096
││└─BatchNorm2d:3-2[1,64,56,56]128
││└─ReLU:3-3[1,64,56,56] --
││└─Conv2d:3-4[1,64,56,56]36,864
││└─BatchNorm2d:3-5[1,64,56,56]128
││└─ReLU:3-6[1,64,56,56] --
││└─Conv2d:3-7[1,256,56,56]16,384
││└─BatchNorm2d:3-8[1,256,56,56]512
││└─Sequential:3-9[1,256,56,56]16,896
││└─ReLU:3-10[1,256,56,56] --
......│└─Bottleneck:2-16[1,2048,7,7] --
││└─Conv2d:3-140[1,512,7,7]1,048,576
││└─BatchNorm2d:3-141[1,512,7,7]1,024
││└─ReLU:3-142[1,512,7,7] --
││└─Conv2d:3-143[1,512,7,7]2,359,296
││└─BatchNorm2d:3-144[1,512,7,7]1,024
││└─ReLU:3-145[1,512,7,7] --
││└─Conv2d:3-146[1,2048,7,7]1,048,576
││└─BatchNorm2d:3-147[1,2048,7,7]4,096
││└─ReLU:3-148[1,2048,7,7] --
├─AdaptiveAvgPool2d:1-9[1,2048,1,1] --
├─Linear:1-10[1,1000]2,049,000
==========================================================================================Total params:25,557,032
Trainable params:25,557,032
Non-trainable params: 0Total mult-adds (G): 4.09==========================================================================================Input size (MB): 0.60Forward/backwardpasssize (MB):177.83
Params size (MB): 102.23Estimated Total Size (MB): 280.66==========================================================================================其中包括各網路層名稱，以及層級關係，各網路層輸出形狀以及參數量。在最後還有模型的總結，包括總的參數量有25,557,032個，總的乘加（Mult-Adds）操作有4.09G（4.09*10^9次方 浮點運算），輸入大小為0.60MB，參數占102.23MB。
計算量：1G表示10^9 次浮點運算 （Giga Floating-point Operations Per Second），關於乘加運算，可參考知乎問題
存儲量：這裡的Input size (MB): 0.60，是通過資料精度計算得到，預設情況下採用float32位元存儲一個數，因此輸入為：3*224*224*32b = 4816896b = 602112B = 602.112 KB = 0.6 MB
同理，Params size (MB): 25557032 * 32b = 817,825,024 b = 102,228,128 B = 102.23 MB
介面詳解
summary提供了很多參數可以配置列印資訊，這裡介紹幾個常用參數。
col_names：可選擇列印的資訊內容，如 ("input_size","output_size","num_params","kernel_size","mult_adds","trainable",)
dtypes：可以設置資料類型，默認的為float32，單精確度。
mode：可設置模型在訓練還是測試狀態。
verbose: 可設置列印資訊的詳細程度。0是不列印，1是默認，2是將weight和bias也打出來。
小結
本節介紹torchinfo的使用，並分析其參數的計算過程，這裡需要瞭解訓練參數數量、特徵圖參數數量和計算量。其中計算量還有一個好用的工具庫進行計算，這裡作為額外資料供大家學習——PyTorch-OpCounter
留言列表
