如何使用pytorchviz和Netron可視化pytorch網(wǎng)絡(luò)結(jié)構(gòu)

今天就跟大家聊聊有關(guān)如何使用pytorchviz和Netron可視化pytorch網(wǎng)絡(luò)結(jié)構(gòu)，可能很多人都不太了解，為了讓大家更加了解，小編給大家總結(jié)了以下內(nèi)容，希望大家根據(jù)這篇文章可以有所收獲。

一 使用pytorchviz可視化

• 安裝依賴和pytorchviz

pip install graphviz
pip install tochviz （或pip install git+https://github.com/szagoruyko/pytorchviz）

Graphviz 是 AT&T 開發(fā)的一款開源的圖形可視化軟件，可以根據(jù)dot腳本語言中繪制的無向圖（顯示了對象間最簡單的關(guān)系）畫出直觀的樹形圖。
Graphviz在Windows中的安裝需要下載Release包，并配置環(huán)境變量，否則會報錯：

graphviz.backend.ExecutableNotFound: failed to execute [‘dot’, ‘-Tpng’, ‘-O’, ‘tmp’], make sure the Graphviz executables are on your systems’ PATH

Graphviz下載地址 https://graphviz.gitlab.io/_pages/Download/Download_windows.html

下載之后解壓出來是一個“release”文件夾，把“release\bin”目錄添加到系統(tǒng)環(huán)境變量，之后在終端中輸入“dot -V”，顯示以下信息表示Graphviz配置成功：

• torchviz可視化torch網(wǎng)絡(luò)結(jié)構(gòu)

1.  

   # Created by 牧野 CSDN  

2.  

   import torch  

3.  

   from torch import nn  

4.  

   from torchviz import make_dot, make_dot_from_trace  

5.  

    

6.  

   model = nn.Sequential()  

7.  

   model.add_module('W0', nn.Linear(8, 16))  

8.  

   model.add_module('tanh', nn.Tanh())  

9.  

   model.add_module('W1', nn.Linear(16, 1))  

10.  

     

11.  

    x = torch.randn(1,8)  

12.  

     

13.  

    vis_graph = make_dot(model(x), params=dict(model.named_parameters()))  

14.  

    vis_graph.view() # 會在當前目錄下保存一個“Digraph.gv.pdf”文件，并在默認瀏覽器中打開  

15.  

     

16.  

    with torch.onnx.set_training(model, False):  

17.  

    trace, _ = torch.jit.get_trace_graph(model, args=(x,))  

18.  

    make_dot_from_trace(trace)  

調(diào)用“make_dot”方法創(chuàng)建一個dot對象，使用“view”方法顯示出來。

pytorch2.2和1.3版本中使用“torch.jit.get_trace_graph”可能會報錯，1.1版本ok。

AttributeError: 'torch._C.Value' object has no attribute 'uniqueName'

可視化結(jié)果：

二 使用Netron可視化

Netron開源地址： https://github.com/lutzroeder/Netron
Netron的開發(fā)者是Lutz Roeder，一位來自微軟Visual Studio團隊的帥哥：

Netron是一款支持離線查看“各種”神經(jīng)網(wǎng)絡(luò)框架的模型可視化神器，其中的“各種”包括：

1. ONNX (.onnx, .pb, .pbtxt)

2. Keras (.h6, .keras)

3. Core ML (.mlmodel)

4. Caffe (.caffemodel, .prototxt)

5. Caffe2 (predict_net.pb, predict_net.pbtxt)

6. MXNet (.model, -symbol.json)

7. NCNN (.param)

8. TensorFlow Lite (.tflite)

9. TorchScript (.pt, .pth)

10. PyTorch (.pt, .pth)

11. Torch (.t7)

12. Arm NN (.armnn)

13. BigDL (.bigdl, .model)

14. Chainer, (.npz, .h6)

15. CNTK (.model, .cntk)

16. Deeplearning4j (.zip)

17. Darknet (.cfg)

18. ML.NET (.zip)

19. MNN (.mnn)

20. OpenVINO (.xml)

21. PaddlePaddle (.zip, __model__)

22. scikit-learn (.pkl)

23. TensorFlow.js (model.json, .pb)

24. TensorFlow (.pb, .meta, .pbtxt)

嗯，夠多了。

Netron使用很簡單，作者提供了各個平臺的安裝包，安裝之后打開，把保存的模型文件拖入就可以了。
還以上邊的模型為例，先把pytorch模型保存出來：

1.  

   import torch  

2.  

   from torch import nn  

3.  

   from torchviz import make_dot, make_dot_from_trace  

4.  

    

5.  

   model = nn.Sequential()  

6.  

   model.add_module('W0', nn.Linear(8, 16))  

7.  

   model.add_module('tanh', nn.Tanh())  

8.  

   model.add_module('W1', nn.Linear(16, 1))  

9.  

    

10.  

    torch.save(model, 'model.pth')  # 保存模型  

之后用Netron打開保存的“model.pth”：

網(wǎng)絡(luò)結(jié)構(gòu)很清晰，一目了然，右側(cè)還能顯示操作的進一步信息。

看完上述內(nèi)容，你們對如何使用pytorchviz和Netron可視化pytorch網(wǎng)絡(luò)結(jié)構(gòu)有進一步的了解嗎？如果還想了解更多知識或者相關(guān)內(nèi)容，請關(guān)注億速云行業(yè)資訊頻道，感謝大家的支持。