PyTorch 神经网络模型可视化（Netron）_netron官网

PyTorch 神经网络模型可视化（Netron）

Netron 是一个用于可视化深度学习模型的工具，可以帮助我们更好地理解模型的结构和参数。

支持以下格式的模型存储文件：

GitHub 链接：https://github.com/lutzroeder/netron

官网：https://netron.app

---

ONNX

（1）在 PyTorch 中，可以使用 torch.onnx.export 函数将模型导出为 ONNX 格式：

import torch
import netron


# 定义 PyTorch 模型
class MyModel(torch.nn.Module):
    def __init__(self):
        super(MyModel, self).__init__()
        self.conv = torch.nn.Conv2d(3, 64, kernel_size=3, stride=1, padding=1)
        self.bn = torch.nn.BatchNorm2d(64)
        self.relu = torch.nn.ReLU(inplace=True)
        self.pool = torch.nn.MaxPool2d(kernel_size=2, stride=2)
        self.fc = torch.nn.Linear(64 * 8 * 8, 10)

    def forward(self, x):
        x = self.conv(x)
        x = self.bn(x)
        x = self.relu(x)
        x = self.pool(x)
        x = x.view(-1, 64 * 8 * 8)
        x = self.fc(x)
        return x


# 创建模型实例并加载预训练权重
model = MyModel()

# 设置示例输入
input = torch.randn(1, 3, 32, 32)

# 将模型导出为 ONNX 格式
torch.onnx.export(model, input, './model/Test/onnx_model.onnx')  # 导出后 netron.start(path) 打开
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32

（2）再使用 Netron 的 netron.start 指令打开导出的 ONNX 模型文件：

import netron

# 打开导出的 ONNX 模型文件
netron.start('./model/Test/onnx_model.onnx')
1
2
3
4

Serving './model/Test/onnx_model.onnx' at http://localhost:8080
1

将在浏览器中自动启动 Netron 工具，并对该模型文件进行可视化。

注意：

当模型被导出为 ONNX 格式，会在指定目录生成以 .onnx 为后缀的文件，只需将其上传至 Netron 官网 也可实现可视化：

在 Netron 中，可以查看模型的结构、参数和输入输出等信息。可以通过缩放、旋转和平移等操作来调整模型的可视化效果，以更好地理解模型的结构和参数。

torch.save

当使用 torch.save 对保存的模型进行可视化时:

# 保存模型
torch.save(model.state_dict(), './model/Test/saved_model.pt')

# 可视化
netron.start('./model/Test/saved_model.pt')
1
2
3
4
5

如下图，这种方式并不能显示该模型的详细信息：

所以： Netron 不支持 PyTorch 通过 torch.save 方式导出的模型文件。

torch.jit.script

可参考：torch.jit.script 与 torch.jit.trace

使用 torch.jit.script 先将模型转换为脚本，再使用 torch.jit.save 保存模型，最后进行可视化：

# TorchScript：script
scripted_model = torch.jit.script(model)

# 保存模型
torch.jit.save(scripted_model, './model/Test/scripted_model.pth')

# 可视化
netron.start('./model/Test/scripted_model.pth')
1
2
3
4
5
6
7
8

torch.jit.trace

可参考：torch.jit.script 与 torch.jit.trace

使用 torch.jit.trace 先将模型转换为跟踪模型执行的工具，再使用 torch.jit.save 保存模型，最后进行可视化：

# TorchScript：trace
traced_model = torch.jit.trace(model, torch.randn(1, 3, 32, 32))

# 保存模型
torch.jit.save(traced_model, './model/Test/traced_model.pth')

# 可视化
netron.start('./model/Test/traced_model.pth')
1
2
3
4
5
6
7
8