深度学习模型可视化工具——Netron使用介绍

文章共1,660字 · 阅读需要大约6分钟

一键AI生成摘要，助你高效阅读

问答

使者大牙

8529人浏览 · 2024-03-12 09:38:36

使者大牙 · 2024-03-12 09:38:36 发布

0. 前言

按照国际惯例，首先声明：本文只是我自己学习的理解，虽然参考了他人的宝贵见解及成果，但是内容可能存在不准确的地方。如果发现文中错误，希望批评指正，共同进步。

本文介绍深度学习网络模型结构可视化工具——Netron。

以AlexNet为例，如果直接print输出为：

AlexNet(
  (features): Sequential(
    (0): Conv2d(3, 64, kernel_size=(11, 11), stride=(4, 4), padding=(2, 2))
    (1): ReLU(inplace=True)
    (2): MaxPool2d(kernel_size=3, stride=2, padding=0, dilation=1, ceil_mode=False)
    (3): Conv2d(64, 192, kernel_size=(5, 5), stride=(1, 1), padding=(2, 2))
    (4): ReLU(inplace=True)
    (5): MaxPool2d(kernel_size=3, stride=2, padding=0, dilation=1, ceil_mode=False)
    (6): Conv2d(192, 384, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (7): ReLU(inplace=True)
    (8): Conv2d(384, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (9): ReLU(inplace=True)
    (10): Conv2d(256, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (11): ReLU(inplace=True)
    (12): MaxPool2d(kernel_size=3, stride=2, padding=0, dilation=1, ceil_mode=False)
  )
  (avgpool): AdaptiveAvgPool2d(output_size=(6, 6))
  (classifier): Sequential(
    (0): Dropout(p=0.5, inplace=False)
    (1): Linear(in_features=9216, out_features=4096, bias=True)
    (2): ReLU(inplace=True)
    (3): Dropout(p=0.5, inplace=False)
    (4): Linear(in_features=4096, out_features=4096, bias=True)
    (5): ReLU(inplace=True)
    (6): Linear(in_features=4096, out_features=1000, bias=True)
  )
)

这样非常不直观，可读性非常差。如果使用Netron，就可以直观地看出模型的结构：

本文将详细介绍Netron的使用方法。

1. Netron介绍

Netron 是一个开源的深度学习和机器学习模型可视化工具，它能够以图形化的方式展示各种深度神经网络、机器学习模型及其内部结构。开发者可以使用 Netron 来直观地理解、调试和验证不同框架生成的模型文件。

以下是一些关于 Netron 的关键特点：

跨平台支持：Netron 可以在多种操作系统上运行，包括 Windows、macOS 和 Linux，并且有浏览器版本可以直接在线使用。本文将不安装其他软件，展示在浏览器上使用的方法。
广泛兼容性：Netron 支持多种深度学习框架产生的模型格式，如 ONNX (Open Neural Network Exchange)、TensorFlow、Keras、Caffe、Core ML、PyTorch、MXNet、PaddlePaddle 等。
可视化内容：通过 Netron，用户可以看到模型的层级结构（每一层的名称、类型、输入和输出维度等），以及模型参数的具体数值（如果模型文件中包含的话）。
交互式界面：提供了一个简洁易用的图形用户界面，用户可以通过点击和滚动来探索模型的细节，便于对复杂的模型架构进行快速解读。
实用功能：除了基本的可视化之外，Netron 还提供了诸如查看权重张量、导出模型为其他格式等功能，方便了模型迁移和部署阶段的工作。

2. Netron的使用方法

Netron有以下3种使用方法，本文最推荐第三种使用方法，也仅详细介绍这种方法。

2.1 本地安装使用

对于Windows、macOS和Linux系统，可以下载对应的可执行程序安装后运行。下载地址:GitHub - lutzroeder/netron: Visualizer for neural network, deep learning and machine learning models

2.2 通过网页版加载模型使用

Netron的网页版地址：Netron

点击Open Model，导入已保存的模型（.pth文件）就可以看到模型的可视化结构。

2.3 通过导入Netron库使用（推荐）

首先安装Netron库：pip install netron

对应还需要安装onnx库：pip install onnx

以AlexNet为例：通过torch.onnx.export()生成.onnx文件，再通过netron.start()打开.onnx文件就可以看到文章开头的网络模型可视化结构图了。

import torch
from torchvision.models import AlexNet
import netron

model = 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