torchinfo - 高级模型结构查看工具，适用于PyTorch

项目介绍

torchinfo 是一个专为 PyTorch 模型用户开发的工具，用于提供丰富的模型总结信息。其功能类似于 TensorFlow 的 model.summary() API，可以帮助用户在调试神经网络时查看模型的可视化信息。torchinfo 提供的功能比简单的 print(your_model) 更为全面，因而成为用户了解和调试其网络架构的得力助手。

项目背景

torchinfo 是对原始项目 torchsummary 和 torchsummaryX 的重写，解决了这两个项目遗留的问题，提供了全新的 API。此项目与 PyTorch 版本 1.4.0 及以上兼容，支持 Python 3.8 及更新版本。

核心功能

torchinfo 通过一个简单的接口，帮助用户轻松获取 PyTorch 模型的详尽信息。用户可以通过以下任意一种安装方式来获取此工具：

pip install torchinfo

或使用 conda 安装：

conda install -c conda-forge torchinfo

使用示例

使用 torchinfo 非常简单，只需如下几行代码即可获得模型的详细信息：

from torchinfo import summary

model = ConvNet()
batch_size = 16
summary(model, input_size=(batch_size, 1, 28, 28))

这段代码将会输出模型的层次结构、每层的输入和输出形状、参数数量等信息。

支持的功能

支持 RNNs, LSTMs 及其他递归层的总结。
可视化分支输出，帮助探索指定深度的模型层次。
提供 ModelStatistics 对象，其中包含所有总结数据字段。
支持在 Jupyter Notebook 和 Google Colab 环境中的使用。

新增特性

详细模式：显示权重和偏置层的详细信息。
灵活接受输入数据或者仅输入形状。
可自定义行列宽度以及批次维度。

示例代码

用户可以通过不同配置选项探索模型的总结信息。例如，下面展示了一种使用 LSTM 网络进行总结的方式：

class LSTMNet(nn.Module):
    def __init__(self, vocab_size=20, embed_dim=300, hidden_dim=512, num_layers=2):
        super().__init__()
        self.hidden_dim = hidden_dim
        self.embedding = nn.Embedding(vocab_size, embed_dim)
        self.encoder = nn.LSTM(embed_dim, hidden_dim, num_layers=num_layers, batch_first=True)
        self.decoder = nn.Linear(hidden_dim, vocab_size)

    def forward(self, x):
        embed = self.embedding(x)
        out, hidden = self.encoder(embed)
        out = self.decoder(out)
        out = out.view(-1, out.size(2))
        return out, hidden

summary(
    LSTMNet(),
    (1, 100),
    dtypes=[torch.long],
    verbose=2,
    col_width=16,
    col_names=["kernel_size", "output_size", "num_params", "mult_adds"],
    row_settings=["var_names"],
)

贡献与支持

torchinfo 的开发者欢迎社区参与到项目的开发中来，无论是通过提交问题或者拉取请求。项目的开发基于最新版的 Python，并确保向下兼容到 Python 3.8。贡献者可以使用下面的几行命令来准备开发环境：

安装开发依赖包：
```
pip install -r requirements-dev.txt
```
使用 pre-commit 进行自动格式化：
```
pre-commit install
```
运行单元测试：
```
pytest
```

感谢任何能够帮助改进、测试和增强这个项目功能的社区贡献者。