PyTorch für Deep Learning

KAPITEL 7

PyTorch-Modelle debuggen

Im Verlauf des Buchs haben wir bisher zahlreiche Modelle erstellt. In diesem Kapitel werfen wir nun einen Blick darauf, wie sie interpretierbarer zu gestalten sind und was sich im Hintergrund abspielt. Wir sehen uns an, wie man mit sogenanntem Class Activation Mapping unter Nutzung von PyTorch-Hooks die Entscheidungsfindung eines Modells nachvollziehen kann und wie man PyTorch zu Debugging-Zwecken mit Googles TensorBoard verbindet. Zudem erfahren Sie, wie Flammendiagramme eingesetzt werden können, um mögliche Probleme bei Transformationen und in Trainingspipelines zu identifizieren. Ich gebe Ihnen in diesem Zusammenhang ein funktionierendes Beispiel zur Geschwindigkeitsoptimierung einer langsamen Transformation ...