Visualizer
Visualizer是一个辅助深度学习模型中Attention模块可视化的小工具，主要功能是帮助取出嵌套在模型深处的Attention Map
为什么需要Visualizer?
为了可视化Attention Map，你是否有以下苦恼
- Return大法好：通过return将嵌套在模型深处的Attention Map一层层地返回回来，然后训练模型的时候又不得不还原
- 全局大法好：使用全局变量在Attention函数中直接记录Attention Map，结果训练的时候忘改回来导致OOM
不管你有没有，反正我有
咨询了专业人士的意见后，发现pytorch有个hook可以取出中间结果，大概查了一下，发现确实可以取出中间变量，但需要进行如下类似的hook注册
handle = net.conv2.register_forward_hook(hook)进行这样操作的前提是我们知道要取出来的模块名，但是Transformer类模型一般是这样定义的(以Vit为例)
class VisionTransformer(nn.Module):
def __init__(self, *args, **kwargs):
...
self.blocks = nn.Sequential(*[Block(...) for i in range(depth)])
...然后每个Block中都有一个Attention
class Block(nn.Module):
def __init__(self, *args, **kwargs):
...
self.attn = Attention(...)
...如果要使用hooks其中的问题就是
- 嵌套太深，模块名不清晰，我们根本不知道我们要取的attention map怎么以model.bla.bla.bla这样一直点出来！
- 一般来说，Transformer中attention map每层都有一个，一个个注册实在太麻烦了
所以我就思考并查找能否通过更简洁的方法来得到Attention Map（尤其是Transformer的）,而visualizer就是其中的一种，它具有以下特点
- 精准直接，你可以取出任何变量名的模型中间结果
- 快捷方便，同时取出Transformer类模型中的所有attention map
- 非侵入式，你无须修改函数内的任何一行代码
- 训练-测试一致，可视化完成后，你无须在训练时再将代码改回来
用法
安装
pip install bytecode
python setup.py install安装完成后，只需要用get_local装饰一下Attention的函数，forward之后就可以拿到函数内与装饰器参数同名的局部变量啦~
Usage1
比如说，我想要函数里的attention_map变量：
在模型文件里，我们这么写
from visualizer import get_local
@get_local('attention_map')
def your_attention_function(*args, **kwargs):
...
attention_map = ...
...
return ...然后在可视化代码里，我们这么写
from visualizer import get_local
get_local.activate() # 激活装饰器
from ... import model # 被装饰的模型一定要在装饰器激活之后导入！！
# load model and data
...
out = model(data)
cache = get_local.cache # -> {'your_attention_function': [attention_map]}最终就会以字典形式存在get_local.cache里，其中key是你的函数名,value就是一个存储attention_map的列表
Usage2
使用Pytorch时我们往往会将模块定义成一个类，此时也是一样只要装饰类内计算出attention_map的函数即可
from visualizer import get_local
class Attention(nn.Module):
def __init__(self):
...
@get_local('attn_map')
def forward(self, x):
...
attn_map = ...
...
return ...其他细节请参考demo.ipynb文件
可视化结果
这里是部分可视化vit_small的结果，全部内容在demo.ipynb文件里
因为普通Vit所有Attention map都是在Attention.forward中计算出来的，所以只要简单地装饰一下这个函数，我们就可以同时取出vit中12层Transformer的所有Attention Map！
一个Head的结果
一层所有Heads的结果
某个grid的Attention Map
注意
- 想要可视化的变量在函数内部不能被后续的同名变量覆盖了，因为get_local取的是对应名称变量在函数中的最终值
- 进行可视化时，get_local.activate()一定要在导入模型前完成，因为python装饰器是在导入时执行的
- 训练时你不需要修改/删除任何代码，即不用删掉装饰函数的代码，因为在get_local.activate()没有执行的情况下，attention函数不会被装饰，故没有任何性能损失(同上一点，因为python装饰器是在导入时执行的)
其他
当然，其实get_local本身可以取出任何一个函数中某个局部变量的最终值，所以它应该还有其他更有趣的用途