LSTM 模型可视化

“看见”模型是理解深度学习最直观的方式。在 PyTorch 中，有三个层次的方法可以让你“看见”刚才搭建的 LSTM 模型：

1. 结构层：看代码层级（最简单）。
2. 数据层：看张量流动的维度（最实用，强烈推荐）。
3. 图形层：画出网络拓扑图（最酷炫）。

以下是具体的操作方法：

---

方法一：直接打印 (最简单)

这是 PyTorch 自带的功能。虽然它不能显示维度，但能让你确认模型里有哪些层。

# 1. 实例化你的模型
# 假设词表大小=1000, 词向量=100, 隐藏层=128, 二分类
model = LSTMClassifier(vocab_size=1000, embedding_dim=100, hidden_dim=128, output_dim=2)

# 2. 直接 print
print(model)

你会看到这样的输出：

LSTMClassifier(
  (embedding): Embedding(1000, 100, padding_idx=0)
  (lstm): LSTM(100, 128, batch_first=True)
  (fc): Linear(in_features=128, out_features=2, bias=True)
  (dropout): Dropout(p=0.5, inplace=False)
)

---

方法二：使用 torchinfo 查看维度 (最推荐 ⭐️)

这是工业界查错的神器。它能告诉你每一层的数据进去是多少维，出来是多少维，还能统计参数量。

你需要先安装：

pip install torchinfo

然后运行代码：

from torchinfo import summary
import torch

# 实例化模型
model = LSTMClassifier(vocab_size=1000, embedding_dim=100, hidden_dim=128, output_dim=2)

# 构造一个假输入 (Batch_Size=32, Seq_Len=50)
# 注意：Embedding层的输入必须是整数 (Long)，所以我们要指定 dtypes
batch_size = 32
seq_len = 50

summary(model, 
        input_size=(batch_size, seq_len), 
        dtypes=[torch.long], # 告诉它是整数输入
        col_names=["input_size", "output_size", "num_params"], # 显示你关心的列
        verbose=1)

你会看到这样的神级表格（能够解答你关于 Squeeze 的所有疑惑）：

=============================================================================================
Layer (type:depth-idx)                   Input Shape               Output Shape              Param #
=============================================================================================
LSTMClassifier                           [32, 50]                  [32, 2]                   --
├─Embedding: 1-1                         [32, 50]                  [32, 50, 100]             100,000
├─LSTM: 1-2                              [32, 50, 100]             [32, 50, 128]             117,760
├─Dropout: 1-3                           [32, 128]                 [32, 128]                 --
├─Linear: 1-4                            [32, 128]                 [32, 2]                   258
=============================================================================================
Total params: 218,018
...

注意看 LSTM 的输出是 [32, 50, 128]，而 Dropout 的输入变成了 [32, 128]。这就证明了你的代码里提取 last_hidden 的逻辑生效了！

---

方法三：可视化计算图 (进阶)

如果你想看到像论文里那样的“节点连接图”，可以使用 torchviz。

你需要安装：

pip install torchviz
# 注意：这通常还需要你在系统里安装 Graphviz 软件 (非Python库)

代码：

from torchviz import make_dot

# 假数据
dummy_input = torch.randint(0, 1000, (32, 50))
# 前向传播一次得到输出
y = model(dummy_input)

# 画图
dot = make_dot(y, params=dict(model.named_parameters()))
dot.render("lstm_model_view", format="png") # 会在目录下生成一个 png 图片

这会生成一张复杂的连线图，展示数据是如何经过每一个算子（Add, Mul, Tanh）流动的。

---

方法四：Netron (上帝视角)

还有一个非常流行的方法是把模型导出为通用格式 (ONNX)，然后用浏览器看。

1. 导出模型：

   torch.onnx.export(model, dummy_input, "model.onnx")
   

2. 查看：打开网站 Netron.app，把生成的 model.onnx 拖进去。
3. 效果：你会看到一个非常漂亮、可交互的模型结构图，点击每一层还能看到具体的权重矩阵数值。

---