HiddenLayer:可视化PyTorch、TensorFlow神经网络图的轻量级工具!

GitHub链接:https://github.com/waleedka/hiddenlayer

 

HiddenLayer 非常简单,易于扩展,且与JupyterNotebook 完美兼容。开发该工具的目的不是为了取代TensorBoard 等高级工具,而是用在那些无需使用高级工具的用例中(杀鸡焉用宰牛刀)。HiddenLayer 由 Waleed Abdulla 和 Phil Ferriere 编写,已获得 MIT 许可证。

 

1. 可读的图

 

使用 HiddenLayer 在JupyterNotebook 中渲染你的神经网络图,或者渲染 pdf 或 png 文件。Jupyter notebook 示例请参考以下链接:

 

TensorFlow:https://github.com/waleedka/hiddenlayer/blob/master/demos/tf_graph.ipynb

 

Pytorch:https://github.com/waleedka/hiddenlayer/blob/master/demos/pytorch_graph.ipynb

 

 

这些图用于沟通高级架构。因此,低级细节在默认状态下是隐藏的(如权重初始化 ops、梯度、一般层类型的内部 ops 等)。HiddenLayer 还将常用层序列叠在一起。例如,Convolution -> RELU -> MaxPool 序列比较常用,为简单起见,它们被合并在一个盒子里。

 

自定义图

 

隐藏、折叠节点的规则是完全可定制的。你可以用 graph expressions 和 transforms 添加自己的规则。例如,使用以下命令可以将 ResNet101 中 bottleneck 块的所有节点折叠为一个节点。

 

# Fold bottleneck blocks
    ht.Fold("((ConvBnRelu > ConvBnRelu > ConvBn) | ConvBn) > Add > Relu", 
            "BottleneckBlock", "Bottleneck Block"),

 

 

2.JupyterNotebook 中的训练度量

 

在JupyterNotebook 中运行训练试验非常有用。你可以绘制损失函数和准确率图、权重直方图,或者可视化一些层的激活函数。

 

 

在JupyterNotebook 之外:

 

在JupyterNotebook 外同样可以使用 HiddenLayer。在 Python 脚本中运行 HiddenLayer,可以打开度量的单独窗口。如果你使用的服务器没有 GUI,可以将图像截图存储为 png 文件以备后查。该用例示例参见:https://github.com/waleedka/hiddenlayer/blob/master/demos/history_canvas.py。

 

3. Hackable

 

HiddenLayer 是一个小型库。它覆盖基础元素,但你可能需要为自己的用例进行扩展。例如,如果你想将模型准确率表示为饼图,就需要扩展 Canbas 类,并添加新方法,如下所示:

 

class MyCanvas(hl.Canvas):
    """Extending Canvas to add a pie chart method."""
    def draw_pie(self, metric):
        # set square aspect ratio
        self.ax.axis('equal')
        # Get latest value of the metric
        value = np.clip(metric.data[-1], 0, 1)
        # Draw pie chart
        self.ax.pie([value, 1-value], labels=["<mark data-type="technologies" data-id="8be77eae-12da-4e9e-9a88-b7f5bae98c2e">Accuracy</mark>", ""])

 

示例参见:https://github.com/waleedka/hiddenlayer/blob/master/demos/pytorch_train.ipynb 或 https://github.com/waleedka/hiddenlayer/blob/master/demos/tf_train.ipynb。

 

 

Demo

 

PyTorch:

 

pytorch_graph.ipynb:此 notebook 展示了如何为一些流行的 PyTorch 模型生成图。

 

地址:https://github.com/waleedka/hiddenlayer/blob/master/demos/pytorch_graph.ipynb

 

pytorch_train.ipynb:展示了如何在 PyTorch 中追踪和可视化训练度量。

 

地址:https://github.com/waleedka/hiddenlayer/blob/master/demos/pytorch_train.ipynb

 

history_canvas.py:在没有 GUI 的情况下使用 HiddenLayer 的示例。

 

地址:https://github.com/waleedka/hiddenlayer/blob/master/demos/history_canvas.py

 

TensorFlow:

 

tf_graph.ipynb:此 notebook 介绍了如何为不同的 TF SLIM 模型生成图。

 

地址:https://github.com/waleedka/hiddenlayer/blob/master/demos/tf_graph.ipynb

 

tf_train.ipynb:展示了如何在TensorFlow 中追踪和可视化训练度量。

 

地址:https://github.com/waleedka/hiddenlayer/blob/master/demos/tf_train.ipynb

 

history_canvas.py:在没有 GUI 的情况下使用 HiddenLayer 的示例。

 

地址:https://github.com/waleedka/hiddenlayer/blob/master/demos/history_canvas.py

 

安装

 

1. 先决条件

 

a. Python3、Numpy、Matplotlib 和JupyterNotebook。

 

b. 用TensorFlow 或 PyTorch。

 

c. 用 GraphViz 及其 Python 封装来生成网络图。最简单的安装方式是:

 

If you use Conda: ```bash conda install graphviz python-graphviz ``` 
Otherwise: [Install GraphViz](https://graphviz.gitlab.io/download/)  Then install the [Python wrapper for GraphViz](https://github.com/xflr6/graphviz) using pip:    ```    pip3 install graphviz    ```

 

2. 安装 HiddenLayer

 

A. 从 GitHub 中安装(开发者模式)

 

如果要在本地编辑或自定义库,使用此选项。

 

# Clone the repository
git clone git@github.com:waleedka/hiddenlayer.git
cd hiddenlayer
# Install in dev mode
pip install -e .

 

B. 使用 PIP

 

pip install hiddenlayer

发表评论

电子邮件地址不会被公开。 必填项已用*标注