Day 35 模型可视化与推理

1. 三种不同的模型可视化方法：推荐torchinfo打印summary+权重分布可视化
2. 进度条功能：手动和自动写法，让打印结果更加美观
3. 推理的写法：评估模式

作业：调整模型定义时的超参数，对比下效果。
 

一、模型结构的可视化

理解一个深度学习网络最重要的两点分别是：了解损失是如何定义的，要知道损失从何而来，能够把抽象的任务通过损失函数量化出来；还要了解参数总量，要知道每一层的设计，因为层设计决定参数总量

为了了解参数总量，我们需要知道层设计，以及每一层参数的参数总量，就需要用到一下几个层可视化的工具

1、nn.model自带的方法，通过其内置功能，直接输出模型结构

print(model)

MLP(
  (fc1): Linear(in_features=4, out_features=10, bias=True)
  (relu): ReLU()
  (fc2): Linear(in_features=10, out_features=3, bias=True)
)

这是最基础、简单的方法，直接打印模型对象，输出模型的结构，显示模型中各个层的名称和参数信息

# 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}")

可以将模型中带有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

# 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 = w