序号	系列文章
1	深度学习训练中GPU内存管理
2	深度学习PyTorch之数据加载DataLoader
3	深度学习 PyTorch 中 18 种数据增强策略与实现
4	深度学习pytorch之简单方法自定义9类卷积即插即用
5	深度学习PyTorch之13种模型精度评估公式及调用方法
6	深度学习pytorch之4种归一化方法（Normalization）原理公式解析
7	深度学习pytorch之19种优化算法（optimizer）解析
8	深度学习pytorch之22种损失函数数学公式和代码定义
9	DIY损失函数–以自适应边界损失为例
10	深度学习PyTorch之动态计算图可视化 - 使用 torchviz 生成计算图

前言

在深度学习模型的开发过程中，理解和可视化模型的计算图对于调试、优化和教学都具有重要意义。PyTorch 采用的是动态图机制，这使得每次前向传播时计算图都被动态创建。而 torchviz 是一个非常有用的工具，它可以将这些动态图转化为可视化图形，帮助我们更直观地理解模型的计算过程。在本篇博客中，我们将重点介绍如何使用 torchviz 生成和保存 PyTorch 模型的计算图，并结合实际训练代码进行展示。

1. 什么是动态计算图？

在 PyTorch 中，计算图并不是在模型初始化时构建好的，而是通过前向传播过程动态地构建的。这种动态特性意味着每次运行时，计算图会根据输入数据的形状和大小而变化，因此我们可以灵活地进行调试和优化。PyTorch 的动态图提供了较高的灵活性，允许在计算图中嵌入复杂的控制流结构（例如循环和条件判断）。

2. 为什么要可视化计算图？

可视化计算图的优势在于：

• 调试：通过查看每一层的输入输出，可以快速发现模型设计上的问题。
• 优化：通过分析计算图，可以识别瓶颈和不必要的计算，进而优化模型性能。
• 教学：对于新手来说，计算图能够帮助他们理解深度学习模型的前向传播过程。

虽然 PyTorch 的动态图功能非常强大，但由于它不提供直接的计算图展示方式，因此我们需要借助外部工具 torchviz 进行可视化。

3. 使用 torchviz 生成计算图

torchviz 是一个能够将 PyTorch 计算图转化为图形的库，具体来说，它能够将计算图渲染为 DOT 格式并生成可视化图像文件（如 PNG 或 PDF）。我们通过以下几步可以生成计算图：

3.1 安装 torchviz

首先，你需要安装 torchviz 库。可以通过 pip 安装：

pip install torchviz

此时会直接将graphviz，torchziv两个都安装好，但是这种方法无法将graphviz导入系统路径。出现报错graphviz.backend.ExecutableNotFound: failed to execute ‘dot‘, make sure the Graphviz executables are***，需要从网址 Download | Graphviz下载graphviz的zip格式文件，解压后复制到以下python路径下即可。

3.2 生成计算图完整代码示例

核心语句只包括make_dot和render两个函数，其中：

• make_dot(y) 会根据输入张量 y 的计算过程生成计算图。
• render(“model_graph”, format=“png”) 将计算图保存为 PNG 图片。

import torch
import torch.nn as nn
import torch.optim as optim
from torchviz import make_dot# 定义一个简单的神经网络
class SimpleNN(nn.Module):def __init__(self):super(SimpleNN, self).__init__()self.fc1 = nn.Linear(2, 2)self.fc2 = nn.Linear(2, 1)def forward(self, x):x = torch.relu(self.fc1(x))x = self.fc2(x)return x# 创建模型实例
model = SimpleNN()# 输入数据
x = torch.randn(1, 2)# 前向传播
y = model(x)# 可视化计算图
dot = make_dot(y, params=dict(model.named_parameters()))
dot.render("model_graph", format="png")  # 保存图像为png文件

复制以上代码运行后生成model_graph.png如

3.3 在训练过程中生成计算图

假设你已经有了一个标准的 PyTorch 训练代码，并且希望在训练过程中生成计算图。我们可以在每次前向传播时使用 torchviz.make_dot 来生成计算图，并保存为 PNG 文件。

以下是一个集成计算图生成的训练代码示例：

import torch
from torchviz import make_dotfor epo in range(epo_num):print(epo)train_loss = 0train_acc = 0.0seg_model.train()for index, (img, label) in enumerate(train_dataloader):img = img.to(device)label = label.to(device)optimizer.zero_grad()output = seg_model(img)  # 得到模型输出# 使用 torch.sigmoid 激活函数output = torch.sigmoid(output)# 生成计算图并保存为 PNG 文件if index == 0:  # 只在第一个batch时生成计算图dot = make_dot(output, params=dict(seg_model.named_parameters()))dot.render("model_graph_epoch_{}_batch_{}".format(epo, index), format="png")  # 保存为 epoch_x_batch_y.png# 计算损失loss = criterion(output, label)loss.backward()iter_loss = loss.item()all_train_iter_loss.append(iter_loss)train_loss += iter_lossoptimizer.step()# 计算准确率output_1 = output.argmax(dim=1)label_1 = label.argmax(dim=1)correct = torch.eq(output_1, label_1).sum().item()iter_acc = correct / label_1.numel()all_train_iter_acc.append(iter_acc)train_acc += iter_acc

3.4 代码解读

1. 前向传播：output = seg_model(img) 这一行执行了前向传播，计算了模型的输出。

2. 计算图生成：在每个 epoch 的第一个 batch 中，使用 make_dot(output, params=dict(seg_model.named_parameters())) 来生成计算图。output 是模型的输出，而 seg_model.named_parameters() 则提供了模型的参数信息，这对于生成完整的计算图非常有帮助。

3. 保存计算图：通过 dot.render() 将计算图保存为 PNG 格式的文件。文件名包含当前的 epoch 和 batch 索引，以便于区分。

   dot.render("model_graph_epoch_{}_batch_{}".format(epo, index), format="png")
   

3.5 生成的计算图

计算图会包含模型中的每个操作（如矩阵乘法、加法等），以及这些操作之间的连接关系。通过计算图（以下示例），你可以清楚地看到模型的每一步计算如何进行。

4. torchviz 的更多应用

除了在训练过程中生成计算图，torchviz 还可以用于以下场景：

• 单步调试：如果你的模型非常复杂，可以在某个特定步骤（如单个前向传播）生成计算图，帮助调试。

• 模型设计：在设计新的网络架构时，通过生成计算图，可以确保每一层的输入输出形状是正确的。

• 计算性能分析：通过分析计算图中的每个节点，可以识别出性能瓶颈并进行优化。

5. 总结

PyTorch 的动态图特性使得每次前向传播时计算图都是动态生成的，而 torchviz 则提供了一个简便的工具，可以将这些动态生成的计算图可视化为图像文件。通过将 torchviz 集成到训练代码中，我们可以在训练过程中实时生成计算图，这不仅有助于我们调试模型，还可以为教学和研究提供更清晰的解释。

参考文献

• torchviz GitHub
• PyTorch 官方文档