day35

一、模型可视化

1. 用 torchinfo 看模型结构

   能快速打印模型各层的输入输出形状、参数数量，还会统计总参数量、计算量等信息，像给模型做 “结构清单”，方便确认架构是否正确。就像查户口本，能直接列出模型每一层的 “家庭成员”（输入输出尺寸、参数数量），还能算全家总参数、占多大内存，一看就知道模型搭得对不对。

2. 看权重分布

   将模型参数（权重）的数值分布绘制成直方图或热力图，通过观察参数是否集中、有无异常值，判断训练过程是否正常（如是否出现梯度问题）。模型里的参数（权重）就像一堆数字零件，把它们画成直方图或热图，能看出这些数字有没有扎堆、有没有极端值，判断训练时是不是出问题了（比如参数全崩了）。

二、训练进度条实现方式

1. 手动编写进度条

   自己控制进度条的显示逻辑，根据迭代次数计算完成比例，适合需要高度自定义的场景。

2. 自动生成进度条（tqdm 库）

   借助工具库快速生成可视化进度条，自动显示完成进度、预计剩余时间等信息，代码简洁且美观。

三、模型推理

模型训练完成后进行推理时，需调用model.eval()切换至评估模式，关闭 dropout、批量归一化等训练阶段的正则化操作，确保推理结果稳定，避免因随机因素导致预测结果波动。训练完用模型预测时，要喊一声 “考试模式启动”（model.eval()），关掉训练时的 “作弊功能”（比如 dropout 随机删神经元、BN 层的动态统计），让模型每次输出都稳稳的，不会忽高忽低。

浙大疏锦行-CSDN博客