深度学习模型可视化工具——Netron使用介绍

简介: 深度学习模型可视化工具——Netron使用介绍

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


3. Netron的功能介绍

除了提供基本的模型可视化方案外,Netron还有以下非常棒的功能:


3.1 层次结构展示

以图形化的方式呈现模型中的每一层及其连接关系,便于用户快速了解模型的整体架构。


例如查看第一个卷积层:

鼠标放在INPUTS的X name: input.1上,对应输入的箭头就会标红,标明输入来源:

对应输出output也有同样的效果:


这样就可以清晰地看到输入输出路径。


3.2 参数查看

对于支持的模型格式,Netron还允许用户查看模型中包含的具体权重和偏置参数。


还以第一个卷积层为例,点击W name: features.0.weight右边的“+”就可以直观地看到卷积核的参数,其他权重的查看也是同样方法。


3.3 导出图片格式

点击左侧的Show/Hide Attributes和Show/Hide Weights可以定义结构图的显示信息内容:

也可以转成水平显示:

调整好自己想要的结构图就可以点击左侧的Export导出图片了:


相关文章
|
8天前
|
机器学习/深度学习 算法框架/工具 数据库
使用Python实现深度学习模型:智能城市噪音监测与控制
使用Python实现深度学习模型:智能城市噪音监测与控制
25 1
|
4天前
|
机器学习/深度学习 数据采集 传感器
使用Python实现深度学习模型:智能土壤质量监测与管理
使用Python实现深度学习模型:智能土壤质量监测与管理
110 69
|
6天前
|
机器学习/深度学习 数据采集 存储
智能废水处理与监测的深度学习模型
智能废水处理与监测的深度学习模型
21 7
智能废水处理与监测的深度学习模型
|
3天前
|
机器学习/深度学习 数据采集 算法框架/工具
使用Python实现智能生态系统监测与保护的深度学习模型
使用Python实现智能生态系统监测与保护的深度学习模型
19 4
|
3天前
|
机器学习/深度学习 数据采集 人工智能
从零构建:深度学习模型的新手指南###
【10月更文挑战第21天】 本文将深入浅出地解析深度学习的核心概念,为初学者提供一条清晰的学习路径,涵盖从理论基础到实践应用的全过程。通过比喻和实例,让复杂概念变得易于理解,旨在帮助读者搭建起深度学习的知识框架,为进一步探索人工智能领域奠定坚实基础。 ###
14 3
|
3天前
|
机器学习/深度学习 人工智能 算法
【车辆车型识别】Python+卷积神经网络算法+深度学习+人工智能+TensorFlow+算法模型
车辆车型识别,使用Python作为主要编程语言,通过收集多种车辆车型图像数据集,然后基于TensorFlow搭建卷积网络算法模型,并对数据集进行训练,最后得到一个识别精度较高的模型文件。再基于Django搭建web网页端操作界面,实现用户上传一张车辆图片识别其类型。
11 0
【车辆车型识别】Python+卷积神经网络算法+深度学习+人工智能+TensorFlow+算法模型
|
8天前
|
机器学习/深度学习 数据采集 传感器
使用Python实现深度学习模型:智能极端天气事件预测
使用Python实现深度学习模型:智能极端天气事件预测
37 3
|
8天前
|
机器学习/深度学习 数据采集 自然语言处理
如何使用深度学习模型来提高命名实体识别的准确率?
如何使用深度学习模型来提高命名实体识别的准确率?
|
4天前
|
机器学习/深度学习 数据采集 数据可视化
使用Python实现深度学习模型:智能废气排放监测与控制
使用Python实现深度学习模型:智能废气排放监测与控制
20 0
|
6天前
|
机器学习/深度学习 数据采集 API
使用Python实现深度学习模型:智能光污染监测与管理
使用Python实现深度学习模型:智能光污染监测与管理
14 0

热门文章

最新文章