hiddenlayer

隐藏器

用于Pytorch，Tensorflow和Keras的神经网络图和培训指标的轻量级库。

Hiddenlayer简单，易于扩展，并且与Jupyter笔记本电脑效果很好。它不是打算替换高级工具，例如张量板，而是要替换高级工具太大而无法完成任务的情况。 Hiddlelayer由Waleed Abdulla和Phil Ferriere撰写，并获得MIT许可证的许可。

1。可读图

使用hiddenlayer在jupyter笔记本或pdf或png文件中渲染神经网络的图。请参阅Jupyter笔记本电脑示例，有关Tensorflow，Pytorch和Keras。

这些图旨在传达高级体系结构。因此，默认情况下隐藏了低级细节（例如，权重初始化操作，渐变，公共层类型的内部操作，...等）。 Hidden Layerer还将层的常用序列折叠在一起。例如，卷积 - > relu-> maxpool序列非常普遍，因此为简单起见，它们被合并到一个框中。

自定义图

隐藏和折叠节点的规则是完全可自定义的。您可以使用graph expressions并transforms来添加自己的规则。例如，该规则将Resnet101的瓶颈块的所有节点折叠成一个节点。

    # Fold bottleneck blocks
    ht.Fold("((ConvBnRelu > ConvBnRelu > ConvBn) | ConvBn) > Add > Relu", 
            "BottleneckBlock", "Bottleneck Block"),

2。jupyter笔记本中的培训指标

如果您在Jupyter笔记本中运行培训实验，则可能会发现这很有用。您可以使用它来绘制损失和准确性，权重直方图或可视化几层的激活。

外面jupyter笔记本：

您也可以在Jupyter笔记本外使用Hidden Layer。在从命令行运行的Python脚本中，它将为指标打开一个单独的窗口。而且，如果您在没有GUI的服务器上，则可以将图形的快照保存到PNG文件以进行以后的检查。有关此用例的示例，请参见history_canvas.py。

3。可黑

Hiddenlayer是一个小库。它涵盖了基础知识，但是您可能需要将其扩展到自己的用例中。例如，说您想将模型精度表示为饼图而不是图。这可以通过扩展Canvas类并添加新方法来完成：

 class MyCanvas(hl.Canvas):
    """Extending Canvas to add a pie chart method."""
    def draw_pie(self, metric):
        # set square aspect ratio
        self.ax.axis('equal')
        # Get latest value of the metric
        value = np.clip(metric.data[-1], 0, 1)
        # Draw pie chart
        self.ax.pie([value, 1-value], labels=["Accuracy", ""])

有关示例，请参见pytorch_train.ipynb或tf_train.ipynb。

keras_train.ipynb笔记本包含一个实际培训示例，该示例说明了如何创建自定义Canvas以绘制混乱矩阵与验证指标：

演示

Pytorch：

• pytorch_graph.ipynb ：本笔记本显示了如何为一些流行的Pytorch型号生成图形。
• pytorch_train.ipynb ：解释跟踪和显示培训指标。
• history_canvas.py ：一个不使用GUI的隐藏器的示例。

TensorFlow：

• tf_graph.ipynb ：本笔记本说明了如何为各种TF Slim模型生成图形。
• tf_train.ipynb ：用张量指标演示跟踪和可视化训练指标。
• history_canvas.py ：一个不使用GUI的隐藏器的示例。

凯拉斯：

• keras_graph.ipynb ：本笔记本说明了如何为各种keras模型生成图形。
• keras_train.ipynb ：演示模型图形，训练指标的可视化以及如何创建自定义的keras回调，该回调使用子分类的Canvas ，以便在每个训练时期结束时绘制混淆矩阵。

贡献

HiddenLayer在MIT许可证下发布。随意扩展它或根据您的需求进行自定义。如果您发现错误，这可能是因为这是早期版本，请进行报告或提交拉动请求。

如果您想贡献新功能，那么这里有一些我们想添加的东西，但从未解决过：

• 支持较旧版本的Python。目前，仅在Python 3.6上进行了测试。
• 优化以支持记录大型实验。

安装

1。先决条件

• 一个。 Python3，Numpy，Matplotlib和Jupyter笔记本。

• b。张量或pytorch

• c。 GraphViz及其Python包装器生成网络图。最简单的安装方法是

  如果您使用conda：

  conda install graphviz python-graphviz

  否则：

  • 安装GraphViz
  • 然后使用PIP安装用于GraphViz的Python包装器：

    pip3 install graphviz

2。安装隐藏器

一个。 github的克隆（开发人员模式）

如果您想在本地编辑或自定义库，请使用此功能。

 # Clone the repository
git clone [email protected]:waleedka/hiddenlayer.git
cd hiddenlayer

# Install in dev mode
pip install -e .

b。使用PIP（“稳定”释放）

pip install hiddenlayer

c。直接从GitHub安装到您的site-packages

如果您只想安装库的最新版本，请使用以下内容：

pip install git+https://github.com/waleedka/hiddenlayer.git