深度学习：可视化方法

0.环境说明 python3.8.5+pytorch 1. 模型结构可视化 1.1 netron step1：在虚拟环境中安装netron

pip install netron

step2: 在虚拟环境中打开netron

step3:浏览器中输入地址:http://localhost:8080/ step4:选择保存的模型xxx.pt

1.2 使用tensorboard step1:安装tensorboard，最简单的方式就是直接安装一个tensorflow

pip install tensorflow==1.15.0 -i https://mirrors.aliyun.com/pypi/simple

step2：代码中设置

from torch.utils.tensorboard import SummaryWriter

'''设置在模型构建后'''
 writer = SummaryWriter(log_dir='./output/log')
 writer.add_graph(model, torch.empty(10, 4)) #注意这里要结合你具体的训练样本，10是batch_szie可任意，4是训练样本的特征长度需要和训练样本一致

 '''设置在反向传播过程中，记录loss和acc'''
 # 可视化输出
 writer.add_scalar('loss', _loss, train_step)
 writer.add_scalar('acc', _acc, train_step)
 train_step += 1

'''train损失和test损失共同打印在一张图上,add_scalars注意s'''
writer.add_scalars('epoch_loss',{'train':train_loss,'test':test_loss},epoch)

step3：

1. 进入cmd命令行；
2. 切换当前磁盘到events文件所在的磁盘；
3. 确保events文件所在的路径没有中文字符串；
4. 输入命令:tensorboard --logdir C:Users...outputlog
   
5. 浏览器中输入http://localhost:6006/#images
   

2. 训练过程可视化 2.1 tensorboard

上文已经提及，只需要在训练过程中add即可。

 '''设置在反向传播过程中，记录loss和acc'''
 # 可视化输出
 writer.add_scalar('loss', _loss, train_step)
 writer.add_scalar('acc', _acc, train_step)
 train_step += 1

2.2 普通代码

if batch_idx % 100 == 0:
            print(f"Train Epoch:{epoch} [{batch_idx*len(data)}/{len(train_loader.dataset)} ({100.*batch_idx/len(train_loader):.0f}%)]tloss:{loss.item():.6f}")

效果图：