深度学习模型可视化：Netron的安装和使用

Netron简介

• Netron是一个支持PyTorch的可视化工具，它的开发者是微软的Lutz Roeder，操作简单快捷，就像保存文件、打开文件一样，简单高效。
• Netron支持跨平台如Linux、macOS、Window。

Netron加载模型类型

• Netron支持以下常见格式：​​ONNX​​ (.onnx)、​​TensorFlow​​ (.pb)、​​Keras​​ (.h5)、​​PyTorch​​ (需转化为ONNX格式)。其他支持格式​​：Caffe、CoreML、Darknet 等（完整列表见官方文档）。
• 模型输入格式要求：torch.onnx.export() 的第一个参数需要是 PyTorch 模型实例（torch.nn.Module），而不是模型文件（如.pth或.dict）。如果您的模型保存在 .pth 或 .dict 文件中，需要先通过 torch.load() 加载参数，并赋值到模型结构中

model = YourModelClass()  # 先实例化模型结构
state_dict = torch.load('model.pth')  # 加载参数文件
model.load_state_dict(state_dict)  # 加载参数到模型

• 支持的模型参数文件格式：
• .pth 文件：通常是 PyTorch 的 state_dict（参数字典）或完整模型（包含结构和参数）。如果是 state_dict，需配合模型结构使用。
• .dict 文件：可能是用户自定义的扩展名，实际内容应为 PyTorch 支持的序列化格式（与 .pth 类似），需通过torch.load() 加载。

torch.save(model.state_dict(), 'model.pth')  # 保存参数
torch.save(model, 'full_model.pth')         # 保存完整模型（结构+参数）

---

• Netron需要onnx文件格式，ONNX 导出注意事项：对于 torch.onnx.export() 来说，原模型文件本身不需要特定格式，因为输入参数 model 必须是一个已经加载到内存中的 PyTorch 模型（nn.Module 实例）。

---

• 输入张量：torch.randn(1, 3, 640, 640) 是示例输入，需与模型实际输入尺寸一致（YOLOv5 的默认输入为 [batch, 3, height, width]）。
• 动态维度：若需支持动态 batch 或尺寸，可通过 dynamic_axes 参数指定：

  torch.onnx.export(model,torch.randn(1, 3, 640, 640),'model.onnx',dynamic_axes={'input': {0: 'batch'}, 'output': {0: 'batch'}}
  )
  

---

• 例如：通过torch.onnx.export()生成.onnx文件，再通过netron.start()打开.onnx文件

import torch
from torchvision.models import AlexNet
import netronmodel = AlexNet()input = torch.ones((1,3,224,224))torch.onnx.export(model, input, f='AlexNet.onnx')   #导出 .onnx 文件
netron.start('AlexNet.onnx') #展示结构图

• 默认会启动http://localhost:8080/网页，可以
  

Netron使用方式

1. 在线使用：可以先将文件转化为.onnx格式，再通过访问在线netron上传模型进行使用。
2. 安装客户端本地使用：访问netron releases，下载安装包进行使用
3. python环境中安装使用：激活anaconda环境执行pip install netron

Netron功能介绍

1. Netron层次化展示模型结构，可以查看的具体信息包括，该层的名称，所属模块，参数属性、输入的参数和输出的参数。
   
2. 左侧可以到处图片，展示展示或隐藏相关参数信息。也可以将模型结构横向展示。
   
   

完整案例

pip list
#%%
import math
import netron
import torch.onnx
import torch.nn as nn
from torch.autograd import Variabledefault_cfg = {11 : [64, 'M', 128, 'M', 256, 256, 'M', 512, 512, 'M', 512, 512],13 : [64, 64, 'M', 128, 128, 'M', 256, 256, 'M', 512, 512, 'M', 512, 512],16 : [64, 64, 'M', 128, 128, 'M', 256, 256, 256, 'M', 512, 512, 512, 'M', 512, 512, 512],19 : [64, 64, 'M', 128, 128, 'M', 256, 256, 256, 256, 'M', 512, 512, 512, 512, 'M', 512, 512, 512, 512],}class vgg(nn.Module):def __init__(self, dataset='cifar10', depth=19, init_weights=True, cfg=None):super(vgg, self).__init__()if cfg is None:cfg = default_cfg[depth]self.feature = self.make_layers(cfg, True)if dataset == 'cifar10':num_classes = 10elif dataset == 'cifar100':num_classes = 100self.classifier = nn.Linear(cfg[-1], num_classes)if init_weights:self._initialize_weights()def make_layers(self, cfg, batch_norm=False):layers = []in_channels = 3for v in cfg:if v == 'M':layers += [nn.MaxPool2d(kernel_size=2, stride=2)]else:conv2d = nn.Conv2d(in_channels, v, kernel_size=3, padding=1, bias=False)if batch_norm:layers += [conv2d, nn.BatchNorm2d(v), nn.ReLU(inplace=True)]else:layers += [conv2d, nn.ReLU(inplace=True)]in_channels = vreturn nn.Sequential(*layers)def forward(self, x):x = self.feature(x)x = nn.AvgPool2d(2)(x)x = x.view(x.size(0), -1)y = self.classifier(x)return ydef _initialize_weights(self):for m in self.modules():if isinstance(m, nn.Conv2d):n = m.kernel_size[0] * m.kernel_size[1] * m.out_channelsm.weight.data.normal_(0, math.sqrt(2. / n))if m.bias is not None:m.bias.data.zero_()elif isinstance(m, nn.BatchNorm2d):m.weight.data.fill_(0.5)m.bias.data.zero_()elif isinstance(m, nn.Linear):m.weight.data.normal_(0, 0.01)m.bias.data.zero_()if __name__ == '__main__':net = vgg()x = Variable(torch.FloatTensor(16, 3, 40, 40))y = net(x)print(y.data.shape)onnx_path = "onnx_model_name.onnx"torch.onnx.export(net, x, onnx_path)netron.start(onnx_path)

总结

• 模型文件本身不需要特定格式，但需通过 PyTorch 正确加载为 nn.Module 实例。
• .pth 或 .dict 文件需配合模型结构代码使用（除非保存的是完整模型）。
• ONNX 导出要求模型实例和示例输入张量的形状匹配。