Python 整理3种查看神经网络结构的方法

1. 网络结构代码

import torch
import torch.nn as nn# 定义Actor-Critic模型
class ActorCritic(nn.Module):def __init__(self, state_dim, action_dim):super(ActorCritic, self).__init__()self.actor = nn.Sequential(# 全连接层，输入维度为 state_dim，输出维度为 256nn.Linear(state_dim, 64),nn.ReLU(),nn.Linear(64, action_dim),# Softmax 函数，将输出转换为概率分布，dim=-1 表示在最后一个维度上应用 Softmaxnn.Softmax(dim=-1))self.critic = nn.Sequential(nn.Linear(state_dim, 64),nn.ReLU(),nn.Linear(64, 1))def forward(self, state):policy = self.actor(state)value = self.critic(state)return policy, value# 参数设置
state_dim = 1
action_dim = 2model = ActorCritic(state_dim, action_dim)

2. 查看结构

2.1 直接打印模型

print(model)

输出：

ActorCritic((actor): Sequential((0): Linear(in_features=1, out_features=64, bias=True)(1): ReLU()(2): Linear(in_features=64, out_features=2, bias=True)(3): Softmax(dim=-1))(critic): Sequential((0): Linear(in_features=1, out_features=64, bias=True)(1): ReLU()(2): Linear(in_features=64, out_features=1, bias=True))
)

2.2 可视化网络结构（需要安装 torchviz 包）

安装 torchsummary 包：

$ pip install torchsummary

python 代码：

from torchviz import make_dot# 创建一个虚拟输入
x = torch.randn(1, state_dim)
# 生成计算图
dot = make_dot(model(x), params=dict(model.named_parameters()))
dot.render("actor_critic_model", format="png")  # 保存为PNG图片

输出 actor_critic_model

digraph {graph [size="12,12"]node [align=left fontname=monospace fontsize=10 height=0.2 ranksep=0.1 shape=box style=filled]140281544075344 [label="(1, 2)" fillcolor=darkolivegreen1]140281544213744 [label=SoftmaxBackward0]140281544213840 -> 140281544213744140281544213840 [label=AddmmBackward0]140281544213600 -> 140281544213840140285722327344 [label="actor.2.bias(2)" fillcolor=lightblue]140285722327344 -> 140281544213600140281544213600 [label=AccumulateGrad]140281544214032 -> 140281544213840140281544214032 [label=ReluBackward0]140281544213984 -> 140281544214032140281544213984 [label=AddmmBackward0]140281544214176 -> 140281544213984140285722327024 [label="actor.0.bias(64)" fillcolor=lightblue]140285722327024 -> 140281544214176140281544214176 [label=AccumulateGrad]140281544214224 -> 140281544213984140281544214224 [label=TBackward0]140281543934832 -> 140281544214224140285722327264 [label="actor.0.weight(64, 1)" fillcolor=lightblue]140285722327264 -> 140281543934832140281543934832 [label=AccumulateGrad]140281544213648 -> 140281544213840140281544213648 [label=TBackward0]140281544214080 -> 140281544213648140285722327184 [label="actor.2.weight(2, 64)" fillcolor=lightblue]140285722327184 -> 140281544214080140281544214080 [label=AccumulateGrad]140281544213744 -> 140281544075344140285722328704 [label="(1, 1)" fillcolor=darkolivegreen1]140281544213888 [label=AddmmBackward0]140281544214368 -> 140281544213888140285722328064 [label="critic.2.bias(1)" fillcolor=lightblue]140285722328064 -> 140281544214368140281544214368 [label=AccumulateGrad]140281544214128 -> 140281544213888140281544214128 [label=ReluBackward0]140281544214464 -> 140281544214128140281544214464 [label=AddmmBackward0]140281544214512 -> 140281544214464140285722327424 [label="critic.0.bias(64)" fillcolor=lightblue]140285722327424 -> 140281544214512140281544214512 [label=AccumulateGrad]140281544214560 -> 140281544214464140281544214560 [label=TBackward0]140281544214704 -> 140281544214560140285722327504 [label="critic.0.weight(64, 1)" fillcolor=lightblue]140285722327504 -> 140281544214704140281544214704 [label=AccumulateGrad]140281544213696 -> 140281544213888140281544213696 [label=TBackward0]140281544214272 -> 140281544213696140285722327584 [label="critic.2.weight(1, 64)" fillcolor=lightblue]140285722327584 -> 140281544214272140281544214272 [label=AccumulateGrad]140281544213888 -> 140285722328704
}

输出模型图片：
在这里插入图片描述

2.3 使用 summary 方法（需要安装 torchsummary 包）

安装 torchsummary 包：

pip install torchsummary

代码：

from torchsummary import summarydevice = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")
print(device)
model = model.to(device)
summary(model, input_size=(state_dim,))#查看模型参数
print("查看模型参数：")
for name, param in model.named_parameters():print(f"Layer: {name} | Size: {param.size()} | Values: {param[:2]}...")

输出：

cuda:0
----------------------------------------------------------------Layer (type)               Output Shape         Param #
================================================================Linear-1                   [-1, 64]             128ReLU-2                   [-1, 64]               0Linear-3                    [-1, 2]             130Softmax-4                    [-1, 2]               0Linear-5                   [-1, 64]             128ReLU-6                   [-1, 64]               0Linear-7                    [-1, 1]              65
================================================================
Total params: 451
Trainable params: 451
Non-trainable params: 0
----------------------------------------------------------------
Input size (MB): 0.00
Forward/backward pass size (MB): 0.00
Params size (MB): 0.00
Estimated Total Size (MB): 0.00
----------------------------------------------------------------
查看模型参数：
Layer: actor.0.weight | Size: torch.Size([64, 1]) | Values: tensor([[ 0.7747],[-0.0440]], device='cuda:0', grad_fn=<SliceBackward0>)...
Layer: actor.0.bias | Size: torch.Size([64]) | Values: tensor([ 0.5995, -0.2155], device='cuda:0', grad_fn=<SliceBackward0>)...
Layer: actor.2.weight | Size: torch.Size([2, 64]) | Values: tensor([[ 0.0373,  0.0851,  0.1000,  0.1060,  0.0387,  0.0479,  0.0127,  0.0696,0.0388,  0.0033,  0.1173, -0.1195, -0.0830,  0.0186,  0.0063, -0.0863,-0.0353,  0.0782, -0.0558,  0.0011, -0.0533,  0.1241,  0.0120, -0.0906,-0.0551, -0.0673, -0.1070,  0.0402, -0.0662,  0.0596, -0.0811,  0.0457,0.0349,  0.0564, -0.0155, -0.0404,  0.0843, -0.0978,  0.0459,  0.1097,-0.0858,  0.0736, -0.0067, -0.0756, -0.0363, -0.0525, -0.0426, -0.1087,-0.0611,  0.0420, -0.1038,  0.0402,  0.0065, -0.1217, -0.0467,  0.0383,-0.0217,  0.0283,  0.0800,  0.0228,  0.0415, -0.0473, -0.0199, -0.0436],[-0.1118, -0.0806, -0.0700, -0.0224,  0.0335, -0.0087,  0.0265, -0.1196,-0.0907, -0.0360,  0.0621, -0.0471, -0.0939, -0.0912, -0.1061,  0.1051,-0.0592, -0.0757,  0.0758, -0.1082, -0.0317,  0.1208, -0.0279, -0.0693,0.0920, -0.0318, -0.0476,  0.0236, -0.0761,  0.0591,  0.0862, -0.0712,0.0156, -0.1073,  0.1133,  0.0039, -0.0191,  0.0605, -0.0686, -0.1202,0.0962,  0.0581,  0.1145,  0.0741, -0.0993, -0.0987,  0.0939,  0.1006,0.0773, -0.0756, -0.1096,  0.0156, -0.0599,  0.0857,  0.1005, -0.0618,0.0474,  0.0066, -0.0531, -0.0479,  0.1136,  0.0356,  0.1169, -0.0023]],device='cuda:0', grad_fn=<SliceBackward0>)...
Layer: actor.2.bias | Size: torch.Size([2]) | Values: tensor([-0.0039,  0.0937], device='cuda:0', grad_fn=<SliceBackward0>)...
Layer: critic.0.weight | Size: torch.Size([64, 1]) | Values: tensor([[0.5799],[0.0473]], device='cuda:0', grad_fn=<SliceBackward0>)...
Layer: critic.0.bias | Size: torch.Size([64]) | Values: tensor([ 0.6507, -0.6974], device='cuda:0', grad_fn=<SliceBackward0>)...
Layer: critic.2.weight | Size: torch.Size([1, 64]) | Values: tensor([[ 0.0738, -0.0370, -0.1010, -0.0333, -0.0595, -0.0172,  0.0928,  0.0815,0.1221, -0.0842,  0.0511,  0.0452, -0.0386, -0.0503, -0.0964,  0.0370,-0.0341, -0.0693, -0.0845,  0.0424, -0.0491, -0.0439, -0.0443,  0.0203,0.0960, -0.1178, -0.0836, -0.0144, -0.0576, -0.0851,  0.0461,  0.1160,0.0120,  0.1180,  0.0255,  0.1047, -0.0398,  0.0786,  0.1143,  0.0806,0.1125,  0.0267,  0.0534, -0.0318,  0.1125, -0.0727,  0.1169,  0.0120,-0.0178, -0.0845,  0.0069,  0.0194,  0.1188,  0.0481,  0.1077, -0.0840,0.1013,  0.0586, -0.0857, -0.0974, -0.0630,  0.0359, -0.0080, -0.0926]],device='cuda:0', grad_fn=<SliceBackward0>)...
Layer: critic.2.bias | Size: torch.Size([1]) | Values: tensor([0.0621], device='cuda:0', grad_fn=<SliceBackward0>)...

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.mzph.cn/web/78564.shtml

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

Linux 查询CPU飙高的原因

Linux 查询CPU飙高的原因

获取进程ID ps -efgrep xxxx查询占用最高的线程ID top -Hp 线程ID线程ID 转 16进制数 printf 0x%x\n 线程ID基于jstack工具 跟踪堆栈定位代码位置 jstack 进程ID | grep 16禁止线程ID -A 20
阅读更多...
Oracle OCP认证考试考点详解083系列09

Oracle OCP认证考试考点详解083系列09

题记&#xff1a; 本系列主要讲解Oracle OCP认证考试考点&#xff08;题目&#xff09;&#xff0c;适用于19C/21C,跟着学OCP考试必过。 41. 第41题&#xff1a; 题目 解析及答案&#xff1a; 关于应用程序容器&#xff0c;以下哪三项是正确的&#xff1f; A) 它可以包含单个…
阅读更多...
GESP2024年3月认证C++八级( 第二部分判断题（1-5））

GESP2024年3月认证C++八级( 第二部分判断题（1-5））

孙子定理参考程序&#xff1a; #include <iostream> #include <vector> using namespace std;// 扩展欧几里得算法&#xff1a;用于求逆元 int extendedGCD(int a, int b, int &x, int &y) {if (b 0) {x 1; y 0;return a;}int x1, y1;int gcd extende…
阅读更多...
C 语言比较运算符：程序如何做出“判断”？

C 语言比较运算符：程序如何做出“判断”？

各类资料学习下载合集 ​​https://pan.quark.cn/s/8c91ccb5a474​​ 在编写程序时，我们经常需要根据不同的条件来执行不同的代码。比如，如果一个分数大于 60 分，就判断为及格；如果用户的年龄小于 18 岁，就禁止访问某个内容等等。这些“判断”的核心，就依赖于程序能够比…
阅读更多...
WITH在MYSQL中的用法

WITH在MYSQL中的用法

WITH 子句&#xff08;也称为公共表表达式&#xff0c;Common Table Expression&#xff0c;简称 CTE&#xff09;是 SQL 中一种强大的查询构建工具&#xff0c;它可以显著提高复杂查询的可读性和可维护性。 一、基本语法结构 WITH cte_name AS (SELECT ... -- 定义CTE的查询…
阅读更多...
多序列比对软件MAFFT介绍

多序列比对软件MAFFT介绍

MAFFT（Multiple Alignment using Fast Fourier Transform）是一款广泛使用且高效的多序列比对软件，由日本京都大学的Katoh Kazutaka等人开发，最早发布于2002年，并持续迭代优化至今。 它支持从几十条到上万条核酸或蛋白质序列的快速比对，同时在准确率和计算效率之间提供灵…
阅读更多...
APP 设计中的色彩心理学：如何用色彩提升用户体验

APP 设计中的色彩心理学：如何用色彩提升用户体验

在数字化时代&#xff0c;APP 已成为人们日常生活中不可或缺的一部分。用户在打开一个 APP 的瞬间&#xff0c;首先映入眼帘的便是其色彩搭配&#xff0c;而这些色彩并非只是视觉上的装饰&#xff0c;它们蕴含着强大的心理暗示力量&#xff0c;能够潜移默化地影响用户的情绪、行…
阅读更多...
Compose 中使用 WebView

Compose 中使用 WebView

在 Jetpack Compose 中&#xff0c;我们可以使用 AndroidView 组件来集成传统的 Android WebView。以下是几种实现方式&#xff1a; 基础 WebView 实现 Composable fun WebViewScreen(url: String) {AndroidView(factory { context ->WebView(context).apply {// 设置布局…
阅读更多...
2025年01月03日美蜥（杭州普瑞兼职）二面

2025年01月03日美蜥（杭州普瑞兼职）二面

目录 为何 nginx 可以实现跨域请求&#xff0c;原理是什么为何 nodejs 可以实现跨域请求&#xff0c;原理是什么浏览器的请求头有哪些浏览器的响应头有哪些浏览器输入网址后发生什么http 协议和 https 有什么区别你的核心优势是什么浏览器缓存机制https 的加密机制tcp 的三次握…
阅读更多...
如何选择合适的光源？

如何选择合适的光源？

目录 工业相机光源类型全面指南 1. 环形光源及其变体 高角度环形光源 优点 缺点 典型应用场景 低角度环形光源&#xff08;暗场照明&#xff09; 优点 缺点 典型应用场景 2. 条形光源与组合照明系统 技术特点 组合条形光源 优点 缺点 典型应用场景 3. 同轴光源…
阅读更多...
「OC」源码学习——对象的底层探索

「OC」源码学习——对象的底层探索

「OC」源码学习——对象的底层探索 前言 上次我们说到了源码里面的调用顺序&#xff0c;现在我们继续了解我们上一篇文章没有讲完的关于对象的内容函数&#xff0c;完整了解对象的产生对于isa赋值以及内存申请的内容 函数内容 先把_objc_rootAllocWithZone函数的内容先贴上…
阅读更多...
【C++指南】STL list容器完全解读（一）：从入门到掌握基础操作

【C++指南】STL list容器完全解读（一）：从入门到掌握基础操作

. &#x1f493; 博客主页&#xff1a;倔强的石头的CSDN主页 &#x1f4dd;Gitee主页&#xff1a;倔强的石头的gitee主页 ⏩ 文章专栏&#xff1a;《C指南》 期待您的关注 文章目录 一、初识list容器1.1 什么是list&#xff1f;1.2 核心特性1.3 典型应用场景 二、核心成员函数…
阅读更多...
labelimg快捷键

labelimg快捷键

一、核心标注快捷键 ‌W‌&#xff1a;调出标注十字架&#xff0c;开始绘制矩形框&#xff08;最常用功能&#xff09;‌A/D‌&#xff1a;切换上一张(A)或下一张(D)图片&#xff0c;实现快速导航‌Del‌&#xff1a;删除当前选中的标注框 二、文件操作快捷键 ‌CtrlS‌&…
阅读更多...
linux-文件操作

linux-文件操作

在 Linux 系统中&#xff0c;文件操作与管理是日常使用和系统管理的重要组成部分。下面将详细介绍文件的复制、移动、链接创建&#xff0c;以及文件查找、文本处理、排序、权限管理等相关知识。 一、文件的复制 在 Linux 里&#xff0c;cp 命令可用于复制文件或目录&#xff…
阅读更多...
C++ 复习

C++ 复习

VS 修改 C 语言标准 右键项目-属性 输入输出 //引用头文件&#xff0c;用<>包裹起来的一般是系统提供的写好的代码 编译器会在专门的系统路径中去进行查找 #include <iostream> //自己写的代码文件一般都用""包裹起来 编译器会在当前文件所在的目录中査…
阅读更多...
openGauss新特性 | HTAP新特性介绍

openGauss新特性 | HTAP新特性介绍

一、行列融合功能简介 HTAP 行列融合特性在单机、主备场景下&#xff0c;通过节点的行列双格式内存模式&#xff0c;实现openGauss HTAP一体化数据库架构。 通过高效的行列转换技术方案&#xff0c;节点读取磁盘行存数据&#xff0c;生成列存储单元&#xff08;Column Unit&am…
阅读更多...
双目测量中的将视差图重投影成三维坐标图

双目测量中的将视差图重投影成三维坐标图

双目测距主要步骤如下&#xff1a; 左右两张图片 → 匹配 → 得到视差图 disp&#xff1b; 使用 cv2.reprojectImageTo3D(disp, Q) 将视差图 重投影 成三维坐标图 → 得到 points_3d 什么是 points_3d&#xff1f; points_3d cv2.reprojectImageTo3D(disp, Q)points_3d.shap…
阅读更多...
《深度剖析：SOAP与REST，API集成的两极选择》

《深度剖析：SOAP与REST，API集成的两极选择》

API作为不同系统之间交互的桥梁&#xff0c;其设计与实现的优劣直接影响着整个软件生态的运转效率。而在API的设计领域&#xff0c;SOAP和REST犹如两座巍峨的山峰&#xff0c;各自代表着截然不同的设计理念与应用方向&#xff0c;成为开发者在构建API时必须慎重权衡的关键选项。…
阅读更多...
非对称加密算法（RSA、ECC、SM2）——密码学基础

非对称加密算法（RSA、ECC、SM2）——密码学基础

对称加密算法&#xff08;AES、ChaCha20和SM4&#xff09;Python实现——密码学基础(Python出现No module named “Crypto” 解决方案) 这篇的续篇&#xff0c;因此实践部分少些&#xff1b; 文章目录 一、非对称加密算法基础二、RSA算法2.1 RSA原理与数学基础2.2 RSA密钥长度…
阅读更多...
Pillow 玩图术：轻松获取图片尺寸和颜色模式

Pillow 玩图术：轻松获取图片尺寸和颜色模式

前言 在这个“图像为王”的时代，谁还敢说自己没被一张图折磨过？一张图片不讲武德，说崩就崩，说卡就卡，仿佛像素里藏着程序员的眼泪。不管你是网页设计师、AI炼丹师，还是只是想把猫片修得像艺术品，图片的尺寸和颜色模式都是你必须掌握的第一手情报。如果你不知道它有多宽…
阅读更多...
最新文章

Copyright @ 2022~2023