技术特征：
1.一种拖拽式pytorch神经网络模型可视化系统，其特征在于，包括：模型局部模块、整体构建模块、pytorch数据生成模块和调试模块；模型局部模块和整体构建模块用于模型局部模块及整体的构建；用户在模型构建页面拖拽工具栏中的网络层以及模块栏中的局部模块到主页面，在弹出窗口中设置网络层参数，设置主页面内网络层之间连接关系，结构保存为新的局部模块或者作为完整模型；pytorch数据生成模块用于在服务端按照以下步骤生成模型结构数据文件；步骤1，系统深度优先遍历模型结构节点，为模块节点生成对应的结构数据；步骤2，服务端生成pytorch深度学习模型；系统根据模块uid对模块排序，按照顺序逐个生成模块，步骤3，模型生成后进入训练状态；调试模块，用于调试pytorch数据生成模块生成的模型，包括：剪枝模块、历史模块和对比模块；系统跳转到模型调试页面，调试页面展示模型训练过程中准确度以及损失值变化曲线，提供超参数设置工具栏以及模型剪枝模块干预训练过程，历史模块保存用户调试历史,对比模块比较不同调试策略下模型训练情况。2.根据权利要求1所述的一种拖拽式pytorch神经网络模型可视化系统，其特征在于，所述整体构建模块中，所述的网络层及模型局部模块以矩形节点展示，拖拽网络层及模型局部模块时，系统生成uid作为节点的识别标志；局部模块及完整模型中需要包含一个“input”层和一个“output”层分别作为结构的输入口和输出口。3.根据权利要求1所述的一种拖拽式pytorch神经网络模型可视化系统，其特征在于，所述步骤1，深度优先遍历模型结构节点方法中，模型结构包含网络层节点和模块节点，遍历到模块节点时，对相应的模块结构数据遍历，同时使用“/”作为连接符号，将模块节点uid和模块内部节点原uid拼接生成新uid，遍历结束后生成新的结构数据加入到模块字典，key值为模块节点名，value值为模块的数据结构。4.根据权利要求3所述的一种拖拽式pytorch神经网络模型可视化系统，其特征在于，所述步骤2中按模块uid对模块排序，模块uid按“/”分割，根据分割后生成的数组长度对模块降序排序，系统按照排序结果逐个生成模块，生成的模块存入模块字典中，key值为模块uid，value为生成完毕的模块；所述的生成模块，将模块内节点按输入关系拓扑排序，按照拓扑顺序生成网络层或模块，遇见模块节点时，根据模块节点uid从模块字典中取出相应模块；模块全部生成结束后，遍历模型结构数据生成最终模型。5.根据权利要求1所述的一种拖拽式pytorch神经网络模型可视化系统，其特征在于，所述调试模块还包括：性能模块、模型结构模块和测试模块；性能模块显示模型训练过程中准确度和损失值的变化曲线；历史模块为树形视图，提供了迭代模型调试过程的概述，树的每个分支都链接了来自调试过程的一系列中间模型；对比模块比较来自不同调试策略下模型的性能变化曲线；模型结构模块以流程图显示模型结构；剪枝模块使用两种方式计算卷积层通道重要，以散点图显示，通过刷子选取卷积通道进行剪枝；测试模块分析当前模型在测试数据上的准确性。
技术总结
本发明公开了一种拖拽式搭建及调试PyTorch神经网络模型的可视化系统。首先，本发明通过系统的模型构建页面拖拽工具栏中的网络层和模块栏中的局部模块构建模型；然后，根据模型结构数据以及模块内结构数据，生成具体模块信息；接着，对模块以及模块内节点排序，按排序结果逐个生成模块以及网络层；最后，模型训练数据呈现在调试页面，通过修改超参数和修剪模型干预训练，结构模块分析模型结构，性能模块观察模型训练过程中准确度和损失值变化，剪枝模块修剪卷积通道，历史模块对模型采用多种策略反复调试，对比模块比较不同调试策略对模型的影响，测试模块分析当前模型在测试数据上的准确性。上的准确性。上的准确性。
技术研发人员：吴向阳 朱威特
受保护的技术使用者：杭州电子科技大学
技术研发日：2021.12.30
技术公布日：2022/8/11