Python 调试或跳过顺序pytorch模型的最佳方法

我曾经用

nn.Module

编写PyTorch模型，其中包括

\uuuu init\uuuuu

和forward，这样我就可以跨过我的模型来检查变量维度如何沿网络变化。 然而，我已经意识到，您也可以使用

nn.Sequential

来实现它，它只需要

\uuuu init\uuuu

，您不需要编写如下所示的转发函数：

然而，问题是当我试图跨过这个网络时，再检查变量就不容易了。它只是跳到另一个地方然后再回来

有人知道在这种情况下该怎么做吗

---

附言：我正在使用PyCharm。

您可以迭代如下模型的子项并打印大小以进行调试。这类似于向前写入，但您可以编写一个单独的函数，而不是创建

nn.Module

类

import torch
from torch import nn

model = nn.Sequential(
    nn.Conv2d(1,20,5),
    nn.ReLU(),
    nn.Conv2d(20,64,5),
    nn.ReLU()
)

def print_sizes(model, input_tensor):
    output = input_tensor
    for m in model.children():
        output = m(output)
        print(m, output.shape)
    return output

input_tensor = torch.rand(100, 1, 28, 28)
print_sizes(model, input_tensor)

# output: 
# Conv2d(1, 20, kernel_size=(5, 5), stride=(1, 1)) torch.Size([100, 20, 24, 24])
# ReLU() torch.Size([100, 20, 24, 24])
# Conv2d(20, 64, kernel_size=(5, 5), stride=(1, 1)) torch.Size([100, 64, 20, 20])
# ReLU() torch.Size([100, 64, 20, 20])

# you can also nest the Sequential models like this. In this case inner Sequential will be considered as module itself.
model1 = nn.Sequential(
    nn.Conv2d(1,20,5),
    nn.ReLU(),
    nn.Sequential(
        nn.Conv2d(20,64,5),
        nn.ReLU()
    )
)

print_sizes(model1, input_tensor)

# output: 
# Conv2d(1, 20, kernel_size=(5, 5), stride=(1, 1)) torch.Size([100, 20, 24, 24])
# ReLU() torch.Size([100, 20, 24, 24])
# Sequential(
#     (0): Conv2d(20, 64, kernel_size=(5, 5), stride=(1, 1))
#     (1): ReLU()
# ) torch.Size([100, 64, 20, 20])