本文介绍了一个面向 PyTorch 和 TensorFlow 神经网络计算图和训练度量（metric）的轻量级库——HiddenLayer，它适用于快速实验，且与 Jupyter Notebook 兼容。
GitHub链接：https://github.com/waleedka/hiddenlayer
HiddenLayer 非常简单，易于扩展，且与 Jupyter Notebook 完美兼容。开发该工具的目的不是为了取代 TensorBoard 等高级工具，而是用在那些无需使用高级工具的用例中（杀鸡焉用宰牛刀）。HiddenLayer 由 Waleed Abdulla 和 Phil Ferriere 编写，已获得 MIT 许可证。
1. 可读的图
使用 HiddenLayer 在 Jupyter Notebook 中渲染你的神经网络图，或者渲染 pdf 或 png 文件。Jupyter notebook 示例请参考以下链接：
这些图用于沟通高级架构。因此，低级细节在默认状态下是隐藏的（如权重初始化 ops、梯度、一般层类型的内部 ops 等）。HiddenLayer 还将常用层序列叠在一起。例如，Convolution -> RELU -> MaxPool 序列比较常用，为简单起见，它们被合并在一个盒子里。
自定义图
隐藏、折叠节点的规则是完全可定制的。你可以用 graph expressions 和 transforms 添加自己的规则。例如，使用以下命令可以将 ResNet101 中 bottleneck 块的所有节点折叠为一个节点。
# Fold bottleneck blocks
ht.Fold("((ConvBnRelu > ConvBnRelu > ConvBn) | ConvBn) > Add > Relu",
"BottleneckBlock", "Bottleneck Block"),
2. Jupyter Notebook 中的训练度量
在 Jupyter Notebook 中运行训练试验非常有用。你可以绘制损失函数和准确率图、权重直方图，或者可视化一些层的激活函数。
在 Jupyter Notebook 之外：
在 Jupyter Notebook 外同样可以使用 HiddenLayer。在 Python 脚本中运行 HiddenLayer，可以打开度量的单独窗口。如果你使用的服务器没有 GUI，可以将图像截图存储为 png 文件以备后查。该用例示例参见：https://github.com/waleedka/hiddenlayer/blob/master/demos/history_canvas.py。
3. Hackable
HiddenLayer 是一个小型库。它覆盖基础元素，但你可能需要为自己的用例进行扩展。例如，如果你想将模型准确率表示为饼图，就需要扩展 Canbas 类，并添加新方法，如下所示：
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", ""])
示例参见：https://github.com/waleedka/hiddenlayer/blob/master/demos/pytorch_train.ipynb 或 https://github.com/waleedka/hiddenlayer/blob/master/demos/tf_train.ipynb。
Demo
PyTorch：
pytorch_graph.ipynb：此 notebook 展示了如何为一些流行的 PyTorch 模型生成图。
地址：https://github.com/waleedka/hiddenlayer/blob/master/demos/pytorch_graph.ipynb
pytorch_train.ipynb：展示了如何在 PyTorch 中追踪和可视化训练度量。
地址：https://github.com/waleedka/hiddenlayer/blob/master/demos/pytorch_train.ipynb
history_canvas.py：在没有 GUI 的情况下使用 HiddenLayer 的示例。
地址：https://github.com/waleedka/hiddenlayer/blob/master/demos/history_canvas.py
TensorFlow：
tf_graph.ipynb：此 notebook 介绍了如何为不同的 TF SLIM 模型生成图。
地址：https://github.com/waleedka/hiddenlayer/blob/master/demos/tf_graph.ipynb
tf_train.ipynb：展示了如何在 TensorFlow 中追踪和可视化训练度量。
地址：https://github.com/waleedka/hiddenlayer/blob/master/demos/tf_train.ipynb
history_canvas.py：在没有 GUI 的情况下使用 HiddenLayer 的示例。
地址：https://github.com/waleedka/hiddenlayer/blob/master/demos/history_canvas.py
安装
1. 先决条件
a. Python3、Numpy、Matplotlib 和 Jupyter Notebook。
b. 用 TensorFlow 或 PyTorch。
c. 用 GraphViz 及其 Python 封装来生成网络图。最简单的安装方式是：
**If you use Conda:**
```bash
conda install graphviz python-graphviz
```
**Otherwise:**
* [Install GraphViz](https://graphviz.gitlab.io/download/)
* Then install the [Python wrapper for GraphViz](https://github.com/xflr6/graphviz) using pip:
```
pip3 install graphviz
```
2. 安装 HiddenLayer
A. 从 GitHub 中安装（开发者模式）
如果要在本地编辑或自定义库，使用此选项。
# Clone the repository
git clone [email protected]:waleedka/hiddenlayer.git
cd hiddenlayer
# Install in dev mode
pip install -e .
B. 使用 PIP
pip install hiddenlayer
想要了解更多资讯，请扫描下方二维码，关注机器学习研究会
转自： 机器之心
