??Hiddenlayer库包含一个build_graph()函数，可以非常方便地将深度学习网络进行可视化
1.AlexNet可视化
import torch
from torchvision.models.alexnet import AlexNet
import hiddenlayer as hl
model = AlexNet()
print(model)
hl_graph = hl.build_graph(model, torch.zeros([3, 3, 224, 224]))
hl_graph.theme = hl.graph.THEMES['blue'].copy()
hl_graph.save('./AlexNet.png', format='png')
print('Have done!')
AlexNet结构：
可视化：
2.ResNet18可视化
import torch
from torchvision.models.resnet import resnet18
import hiddenlayer as hl
model = resnet18()
print(model)
hl_graph = hl.build_graph(model, torch.zeros([3, 3, 224, 224]))
hl_graph.theme = hl.graph.THEMES['blue'].copy()
hl_graph.save('./resnet18.png', format='png')
print('Have done!')
可视化：
3.ResNeSt可视化
??可以发现，随着网络深度加深，可视化的结果变得非常密集，ResNeSt结构最少为50层，为了降低密集程度，使得结构更加清晰，自定义了一个ResNeSt8网络，将ResNeSt50的[3,4,6,3]改为了[2,2,2,2]
import torch
from resnest.torch import resnest8
import hiddenlayer as hl
model = resnest8()
print(model)
hl_graph = hl.build_graph(model, torch.zeros([3, 3, 224, 224]))
hl_graph.theme = hl.graph.THEMES['blue'].copy()
hl_graph.save('./resnest8.png', format='png')
print('Have done!')
可视化：总体呈现8个块
??ResNeSt网络一共有4个Layer，每个Layer除了第一个Bottlenck有Downsample外，其他Bottlenck都是直接的残差连接。且由于Layer1之前有一个Maxpool层，已经将输入下采样4倍，故Layer1的第一个Bottlenck的Downsample其实没有进行下采样。
??选择Layer1的第一个Bottlenck放大，红线表示Downsample，绿线表示SplAtConv2d模块，整体形式与论文中基本一致。至于图中那些constant，唔…我也很迷惑…求大神指点
原论文图：
