pytorch 權重weight 與 梯度grad 可視化

查看特定layer的權重以及相應的梯度信息

• 打印模型
  
• 觀察到model下面有module的key，module下面有features的key， features下面有(0)的key，這樣就可以直接打印出weight了
• 在pdb debug界面輸入p model.module.features[0].weight，就可以看到weight，輸入 p model.module.features[0].weight.grad 就可以查看梯度信息。

中間變量的梯度 : .register_hook

• pytorch 爲了節省顯存，在反向傳播的過程中只針對計算圖中的葉子結點(leaf variable)保留了梯度值(gradient)。但對於開發者來說，有時我們希望探測某些中間變量(intermediate variable) 的梯度來驗證我們的實現是否有誤，這個過程就需要用到 tensor的register_hook接口

grads = {}

def save_grad(name):
    def hook(grad):
        grads[name] = grad
    return hook

x = torch.randn(1, requires_grad=True)
y = 3*x
z = y * y

# 爲中間變量註冊梯度保存接口，存儲梯度時名字爲 y。
y.register_hook(save_grad('y'))

# 反向傳播 
z.backward()

# 查看 y 的梯度值
print(grads['y'])

打印網絡回傳梯度

• net.named_parameters()
• parms.requires_grad 表示該參數是否可學習，是不是frozen的；
• parm.grad 打印該參數的梯度值。

net = your_network().cuda()
def train():
	...
	outputs = net(inputs)
    loss = criterion(outputs, targets)
    loss.backward()
	for name, parms in net.named_parameters():	
		print('-->name:', name, '-->grad_requirs:',parms.requires_grad, \
		 ' -->grad_value:',parms.grad)

查看pytorch產生的梯度

[x.grad for x in self.optimizer.param_groups[0]['params']]

資料

• pytorch查看模型weight與grad
• pytorch 查看中間變量的梯度
• pytorch 打印網絡回傳梯度
• 如何查看pytorch產生的梯度