1 摘要

一般可以直接print(model)，但这样只能看到模型都按什么顺序定义了哪些层，并不能看出真实的forward情况。
还可以跟踪看源码，这样比较容易看出封装了哪些重复使用的子组件。
不过从可视化来说，最推荐的还是使用tensorboard · 语雀。

2 print(model)存在的问题

  1. import torch
  2. from torch import nn
  5. class NumNet(nn.Module):
  6.     def __init__(self):
  7.         super().__init__()
  9.         self.line1 = nn.Linear(5, 10)
  10.         self.relu1 = nn.ReLU()
  12.         self.classifier = nn.Sequential(
  13.             nn.Linear(5, 10),
  14.             nn.ReLU(),
  15.             nn.Linear(10, 5),
  16.             nn.ReLU(),
  17.             nn.Linear(5, 2),
  18.             nn.ReLU(),
  19.         )
  21.         self.line3 = nn.Linear(5, 2)
  22.         self.relu3 = nn.ReLU()
  24.         self.line2 = nn.Linear(10, 5)
  25.         self.relu2 = nn.ReLU()
  27.     def forward(self, batched_inputs):
  28.         print('print(model)不会执行forward，无法知道真实的module顺序')
  30.         x = batched_inputs
  32.         # logits = self.classifier(x)
  34.         x = self.line1(x)
  35.         x = self.relu1(x)
  36.         x = self.line2(x)
  37.         x = self.relu2(x)
  38.         x = self.line3(x)
  39.         x = self.relu3(x)
  40.         logits = x
  42.         return logits
  45. model = NumNet()
  46. print(model)
  47. # NumNet(
  48. #   (line1): Linear(in_features=5, out_features=10, bias=True)
  49. #   (relu1): ReLU()
  50. #   (classifier): Sequential(
  51. #     (0): Linear(in_features=5, out_features=10, bias=True)
  52. #     (1): ReLU()
  53. #     (2): Linear(in_features=10, out_features=5, bias=True)
  54. #     (3): ReLU()
  55. #     (4): Linear(in_features=5, out_features=2, bias=True)
  56. #     (5): ReLU()
  57. #   )
  58. #   (line3): Linear(in_features=5, out_features=2, bias=True)
  59. #   (relu3): ReLU()
  60. #   (line2): Linear(in_features=10, out_features=5, bias=True)
  61. #   (relu2): ReLU()
  62. # )

可以看到第28行并没有输出，没有执行forward。

再看输出顺序，完全是按照在init定义顺序展示的，也不管这个module是否在forward有用到。

所以用print分析模型结构的时候，谨慎些，最好还是用tensorboard查看。