【Pytorch】netron可视化——靠谱的使用方法

在神经网络结构可视化这一块，有很多比较实用的工具，但目前来说我看的比较舒服的还是微软小哥开发的Netron软件。

最近又遇到了一些问题，在可视化yolov5结构的时候，使用官方自带的export.py导出的结构图跟设计的有些出入，使用的是torch.onnx.export方法，将模型导出为onnx格式，再使用Netron打开，这种方式虽然确实可以，但是在可视化yolov5结构的时候，卷积层模块莫名其妙出现了残差结构，同样在可视化简单模型的时候，BN层会莫名其妙不见了，这让我费解，所以使用torch.onnx.export方法不是很靠谱。

目前我认为最可靠的方法就是使用torch.jit.trace把模型保存为.pt文件，然后在使用Netron进行打开。

直接上代码，我封装成了一个函数：

import torch
import torch.nn as nndef to_pt(net, x, name="temp"):"""@net  :保存的模型@x       :模型的输入@name    :保存名称"""path = f"./{name}.pt"# 主要就是下面两行代码script_model = torch.jit.trace(net, x)script_model.save(path)

具体为什么呢，torch.jit.trace是Troch Script模块中的函数，其中trace是跟踪执行步骤，记录模型调用推理时执行的每个步骤，主要就是整个模型保存结构的同时，还跟踪了输入，将前向传播过程给记录了下了，大概就是这么个意思（我也不是很熟悉这个模块，详情还是去度娘吧）。

举例：

import torch
import torch.nn as nnclass BN_Conv2d(nn.Module):"""Conv2d + BN + ReLU"""def __init__(self, c1, c2, k, s=1, p=0, d=1, g=1):super(BN_Conv2d, self).__init__()self.conv = nn.Conv2d(c1, c2, k, s, p, d, g)self.bn = nn.BatchNorm2d(c2)self.relu = nn.ReLU()def forward(self, x):return self.relu(self.bn(self.conv(x)))net = BN_Conv2d(3, 16, 3, 2)
x = torch.randn((1, 3, 32, 32))
to_pt(net, x, "BN_Conv2d")

class ResBlock(nn.Module):def __init__(self, ch_in, ch_out, stride=1):super(ResBlock, self).__init__()self.seq = nn.Sequential(nn.Conv2d(ch_in, ch_out, kernel_size=3, stride=stride, padding=1),nn.BatchNorm2d(ch_out),nn.ReLU(),nn.Conv2d(ch_out, ch_out, kernel_size=3, stride=1, padding=1),nn.BatchNorm2d(ch_out))self.extra = nn.Sequential()if ch_in != ch_out:self.extra = nn.Sequential(nn.Conv2d(ch_in, ch_out, kernel_size=1, stride=stride))self.relu = nn.ReLU()def forward(self, x):out = self.seq(x)x = self.extra(x)out = out + xout = self.relu(out)return outnet = ResBlock(3, 64, 1)
x = torch.randn((1, 3, 224, 224))
to_pt(net, x, "ResBlock")

Yolov5：该文件放在yolov5文件下，图太长了就简单放一部分。

import torch
from models.yolo import Model
import osdef to_onnx_cfg(cfg, x, name="temp"):# Create modelmodel = Model(cfg).to("cpu")# x = torch.randn(1, 3, 640, 640).to("cpu")script_model = torch.jit.trace(model, x)if not os.path.exists(os.getcwd() + "/onnx"):os.makedirs(os.getcwd() + "/onnx")# torch.onnx.export(model, x, f"./{name}.onnx")script_model.save(f"./onnx/{name}.pt")x = torch.randn(1, 3, 640, 640).to("cpu")
to_onnx_cfg("./yolov5s.yaml", x, "yolov5s")

以上就是这些，对比图的话，之后我再放上来。

参考博客：

yolov5s.yaml中各参数作用意义及使用netron工具来可视化yolov5s的结构

pytorch JIT浅解析

TORCH.JIT理解

【Pytorch】netron可视化——靠谱的使用方法相关推荐

超实用的7种 pytorch 网络可视化方法，进来收藏一波
引导前言 1. torchsummary 2. graphviz + torchviz 3. Jupyter Notebook + tensorwatch 4. tensorboardX 5. ne ...
Netron可视化Pytorch保存的网络模型
目录一.理清网络的输入与输出二. 将模型转换为onnx格式三.Netron可视化工具一.理清网络的输入与输出我自定义的网络模型(主要看看前向传播函数即可): import torch imp ...
Pytorch网络结构可视化
现在用的这个: net = load_model(net, args.trained_model, args.cpu) for name, param in net.named_parameters( ...
pytorch 模型可视化_高效使用Pytorch的6个技巧：为你的训练Pipeline提供强大动力
点击上方"AI公园",关注公众号,选择加"星标"或"置顶" 作者:Eugene Khvedchenya 编译:ronghuaiyang 导读 ...
PyTorch 训练可视化教程 visdom
visdom 快速启动启动地址:http://localhost:8097/ visdom 的介绍 Visdom是Facebook专为PyTorch开发的实时可视化工具包,其作用相当于TensorF ...
pytorch 模型可视化_【深度学习】高效使用Pytorch的6个技巧：为你的训练Pipeline提供强大动力...
作者:Eugene Khvedchenya 编译:ronghuaiyang 导读只报告模型的Top-1准确率往往是不够的. 将train.py脚本转换为具有一些附加特性的强大pipeline 每 ...
PyTorch之—可视化（Visdom/TensorboardX）
文章目录一.Visdom 安装与使用小案例二.TensorBoardX 案例一案例二使用PROJECTOR对高维向量可视化绘制网络结构一.Visdom Visdom是Facebook在2 ...
【案例实践】基于Citespace和vosviewer文献计量学可视化SCI论文高效写作方法
[点击观看视频]基于Citespace和vosviewer文献计量学可视化SCI论文高效写作方法文献计量学是指用数学和统计学的方法,定量地分析一切知识载体的交叉科学.它是集数学.统计学.文献学为一体 ...
Pytorch的可视化工具visdom的基本使用
Pytorch的可视化工具visdom的基本使用一.简介 Visdom 是 Facebook 专门为Pytorch开发的一款用于创建.组织和共享实时丰富数据的开源可视化工具.支持 Torch 和 N ...

【Pytorch】netron可视化——靠谱的使用方法

【Pytorch】netron可视化——靠谱的使用方法相关推荐

最新文章

热门文章