DAY 38 模型可视化与推理

一、模型结构可视化

1.nn.model自带的方法

这些是 PyTorch 原生支持的方法，无需额外安装依赖，核心用于打印 / 遍历模型层级、参数等信息。

python 复制代码

# nn.Module 的内置功能，返回模型的可训练参数迭代器
for name, param in model.named_parameters():
    print(f"Parameter name: {name}, Shape: {param.shape}")

将模型中带有weight的参数（即权重）提取出来，并转为 numpy 数组形式，对其计算统计分布，并且绘制可视化图表。

python 复制代码

# 提取权重数据
import numpy as np
weight_data = {}
for name, param in model.named_parameters():
    if 'weight' in name:
        weight_data[name] = param.detach().cpu().numpy()

# 可视化权重分布
fig, axes = plt.subplots(1, len(weight_data), figsize=(15, 5))
fig.suptitle('Weight Distribution of Layers')

for i, (name, weights) in enumerate(weight_data.items()):
    # 展平权重张量为一维数组
    weights_flat = weights.flatten()
    
    # 绘制直方图
    axes[i].hist(weights_flat, bins=50, alpha=0.7)
    axes[i].set_title(name)
    axes[i].set_xlabel('Weight Value')
    axes[i].set_ylabel('Frequency')
    axes[i].grid(True, linestyle='--', alpha=0.7)

plt.tight_layout()
plt.subplots_adjust(top=0.85)
plt.show()

# 计算并打印每层权重的统计信息
print("\n=== 权重统计信息 ===")
for name, weights in weight_data.items():
    mean = np.mean(weights)
    std = np.std(weights)
    min_val = np.min(weights)
    max_val = np.max(weights)
    print(f"{name}:")
    print(f"  均值: {mean:.6f}")
    print(f"  标准差: {std:.6f}")
    print(f"  最小值: {min_val:.6f}")
    print(f"  最大值: {max_val:.6f}")
    print("-" * 30)

2.torchsummary库的summary方法

torchsummary 是早期常用的 PyTorch 模型结构可视化工具，核心通过 summary 方法打印模型的层结构、输出形状、参数数量等信息。

python 复制代码

from torchsummary import summary
# 打印模型摘要，可以放置在模型定义后面
summary(model, input_size=(4,))

核心限制：

仅支持单输入张量，多输入模型会报错；
对嵌套过深的自定义 nn.Module 兼容性差；
仅支持 CPU/CUDA 设备；
无法显示参数占比、训练 / 非训练参数区分等细节。

|------------|------------|-----------------------------------------------------|
| 参数 | 类型 | 模型 |
| model | nn.Module | 待可视化的模型实例（需已初始化） |
| input_size | tuple/list | 输入张量的形状（不含 batch_size），如 (3, 32, 32)（3 通道 32x32 图片） |
| batch_size | int | 批次大小，默认 -1（不显示 batch 维度），指定后输出形状会包含 batch_size |
| device | str | 模型运行设备，可选 "cuda"/"cpu"，默认 "cuda"（无 GPU 自动切 CPU） |

该方法不显示输入层的尺寸，因为输入的神经网是自己设置的，所以不需要显示输入层的尺寸。

但是在使用该方法时，input_size=(4,) 参数是必需的，因为 PyTorch 需要知道输入数据的形状才能推断模型各层的输出形状和参数数量。

这是因为PyTorch的模型在定义时是动态的，它不会预先知道输入数据的具体形状。nn.Linear(4, 10) 只定义了 "输入维度是 4，输出维度是 10"，但不知道输入的批量大小和其他维度，比如卷积层需要知道输入的通道数、高度、宽度等信息。----并非所有输入数据都是结构化数据

因此，要生成模型摘要（如每层的输出形状、参数数量），必须提供一个示例输入形状，让 PyTorch "运行" 一次模型，从而推断出各层的信息。

summary 函数的核心逻辑是：

创建一个与 input_size 形状匹配的虚拟输入张量（通常填充零）
将虚拟输入传递给模型，执行一次前向传播（但不计算梯度）
记录每一层的输入和输出形状，以及参数数量
生成可读的摘要报告

3.torchinfo库的summary方法

torchinfo 是 torchsummary 的升级版，是 PyTorch 模型可视化的首选工具，其核心 summary 方法支持多输入、嵌套模块、多设备（CUDA/CPU/MPS）、自定义显示列等，能精准展示每层的输入输出形状、参数数量、训练状态、内存占用等关键信息。

python 复制代码

from torchinfo import summary
summary(model, input_size=(4, ))

二、进度条功能

1.手动更新

python 复制代码

from tqdm import tqdm  # 先导入tqdm库
import time  # 用于模拟耗时操作

# 创建一个总步数为10的进度条
with tqdm(total=10) as pbar:  # pbar是进度条对象的变量名
    # pbar 是 progress bar（进度条）的缩写，约定俗成的命名习惯。
    for i in range(10):  # 循环10次（对应进度条的10步）
        time.sleep(0.5)  # 模拟每次循环耗时0.5秒
        pbar.update(1)  # 每次循环后，进度条前进1步

python 复制代码

from tqdm import tqdm
import time

# 创建进度条时添加描述（desc）和单位（unit）
with tqdm(total=5, desc="下载文件", unit="个") as pbar:
    # 进度条这个对象，可以设置描述和单位
    # desc是描述，在左侧显示
    # unit是单位，在进度条右侧显示
    for i in range(5):
        time.sleep(1)
        pbar.update(1)  # 每次循环进度+1

unit 参数的核心作用是明确进度条中每个进度单位的含义，使可视化信息更具可读性。在深度学习训练中，常用的单位包括：

epoch：训练轮次（遍历整个数据集一次）。
batch：批次（每次梯度更新处理的样本组）。
sample：样本（单个数据点）

2.自动更新

python 复制代码

from tqdm import tqdm
import time

# 直接将range(3)传给tqdm，自动生成进度条
# 这个写法我觉得是有点神奇的，直接可以给这个对象内部传入一个可迭代对象，然后自动生成进度条
for i in tqdm(range(3), desc="处理任务", unit="epoch"):
    time.sleep(1)

python 复制代码

# 用tqdm的set_postfix方法在进度条右侧显示实时数据（如当前循环的数值、计算结果等）：
from tqdm import tqdm
import time

total = 0  # 初始化总和
with tqdm(total=10, desc="累加进度") as pbar:
    for i in range(1, 11):
        time.sleep(0.3)
        total += i  # 累加1+2+3+...+10
        pbar.update(1)  # 进度+1
        pbar.set_postfix({"当前总和": total})  # 显示实时总和

三、模型的推理

模型推理（Inference）是指使用训练好的模型对新数据进行预测 / 分类 / 回归的过程，核心目标是高效、准确地得到模型输出。在 PyTorch 中，推理流程需重点关注「模型状态切换、梯度关闭、数据预处理、设备匹配、效率优化」等关键点。

python 复制代码

# 在测试集上评估模型，此时model内部已经是训练好的参数了
# 评估模型
model.eval() # 设置模型为评估模式
with torch.no_grad(): # torch.no_grad()的作用是禁用梯度计算，可以提高模型推理速度
    outputs = model(X_test)  # 对测试数据进行前向传播，获得预测结果
    _, predicted = torch.max(outputs, 1) # torch.max(outputs, 1)返回每行的最大值和对应的索引
 
    correct = (predicted == y_test).sum().item() # 计算预测正确的样本数
    accuracy = correct / y_test.size(0)
    print(f'测试集准确率: {accuracy * 100:.2f}%')

核心原则：

推理时需将模型切换为 eval() 模式（禁用 BatchNorm/Dropout 等训练特有的层行为）；
关闭梯度计算（torch.no_grad()），节省内存、加速推理；
数据预处理需与训练时完全一致（如归一化、尺寸、通道顺序）；
保证输入数据与模型设备（CPU/GPU/MPS）一致。

前提：训练好的模型保存，推理的前提是有训练好的模型权重文件，先演示模型保存。

模型推理的核心流程：

模型加载与eval模式 → 数据预处理（与训练一致） → 关闭梯度的前向传播 → 结果后处理

@浙大疏锦行