pytorch 网络结构可视化方法汇总（三种实现方法详解
前言：在深度学习的时候，能够很好的绘制出整个网络的模型图，这是非常方便的，当前流行的 tensorflow 和 pytorch 都有很多种方法可以绘制模型结构图，特在此总结如下：
tensorflow 的模型结构可视化方法：
（1）使用自带的 tensorboard（不直观）
（2）使用 netron 工具打开（.pd 或者是. meta 文件）
（3）第三方库 CNNGraph（ https://github.com/huachao1001/CNNGraph）
（4）tensorspace.js （这个比较高级，没用过）
（5）高层 API 中 keras 的可视化
pytorch 的模型结构可视化方法：
（1）使用 tensorboardX（不太直观）
（2）使用 graphviz 加上 torchviz （依赖于 graphviz 和 GitHub 第三方库 torchviz）
（3）使用微软的 tensorwatch （只能在 jupyter notebook 中使用，个人最喜欢这种方式）
（4）使用 netron 可视化工具（.pt 或者是 .pth 文件）
一、使用 tensorboardX
使用 tensorboardX 必须要安装 tensorboard 才行，可能会存在一些版本的匹配问题，下面的版本是亲测有效的。
pytorch0.4.1+tensorboard1.7.0+tensorboardX1.4
pytorch1.0.1+tensorboard1.14.0+tensorboardX1.8
上面这两个都是可行的。
本文以 AlexNet 为例，鉴于 torchvision 已经实现了 AlexNet 模型，就不再自己编写，直接导入即可。
import torch
from torchvision.models import AlexNet
from tensorboardX import SummaryWriter
x=torch.rand(8,3,256,512)
model=AlexNet()
with SummaryWriter(comment='AlexNet') as w:
w.add_graph(model, x) # 这其实和tensorflow里面的summarywriter是一样的。
上面的代码运行结束后，会在当前目录生成一个叫 runs 的文件夹，runs 文件夹里面会有一个文件夹 Jul22_18-03-19_WH-PC19012AlexNet，里面存储了可视化所需要的日志信息。用 cmd 进入到 runs 文件夹所在的目录中（路劲中不能有中文），然后 cmd 中输入：
tensorboard --logdir Jul22_18-03-19_WH-PC19012AlexNet
AlexNet 的效果图如下所示：
当然这里的节点可以打开进行查看，也可以放大缩小。
二、使用 graphviz+torchviz 来可视化模型
首先安装这两个依赖包：
pip install graphviz # 安装graphviz
pip install git+https://github.com/szagoruyko/pytorchviz # 通过git安装torchviz
第一步：加载并运行一个模型
import torch from torchvision.models import AlexNet from torchviz import make_dot x=torch.rand(8,3,256,512) model=AlexNet() y=model(x)
第二步：调用 make_dot() 函数构造图对象
# 这三种方式都可以
g = make_dot(y)
# g=make_dot(y, params=dict(model.named_parameters()))
#g = make_dot(y, params=dict(list(model.named_parameters()) + [('x', x)]))
第三步：保存模型，以 PDF 格式保存
# 这两种方法都可以
# g.view() # 会生成一个 Digraph.gv.pdf 的PDF文件
g.render('espnet_model', view=False) # 会自动保存为一个 espnet.pdf，第二个参数为True,则会自动打开该PDF文件，为False则不打开
模型的结构如下：
另外，我还可以查询整个模型的参数量信息，代码如下：
# 查看模型的参数信息
params = list(model.parameters())
k = 0
for i in params:
l = 1
print("该层的结构：" + str(list(i.size())))
for j in i.size():
l *= j
print("该层参数和：" + str(l))
k = k + l
print("总参数数量和：" + str(k))
'''
该层的结构：[64, 3, 11, 11]
该层参数和：23232
该层的结构：[64]
该层参数和：64
该层的结构：[192, 64, 5, 5]
该层参数和：307200
该层的结构：[192]
该层参数和：192
该层的结构：[384, 192, 3, 3]
该层参数和：663552
该层的结构：[384]
该层参数和：384
该层的结构：[256, 384, 3, 3]
该层参数和：884736
该层的结构：[256]
该层参数和：256
该层的结构：[256, 256, 3, 3]
该层参数和：589824
该层的结构：[256]
该层参数和：256
该层的结构：[4096, 9216]
该层参数和：37748736
该层的结构：[4096]
该层参数和：4096
该层的结构：[4096, 4096]
该层参数和：16777216
该层的结构：[4096]
该层参数和：4096
该层的结构：[1000, 4096]
该层参数和：4096000
该层的结构：[1000]
该层参数和：1000
总参数数量和：61100840
'''
三、通过 tensorwatch+jupyter notebook 来实现
import torch
import tensorwatch as tw
from lanenet_model.blocks import ESPNet_Encoder # 这是我自己定义的一个网络
# 其实就两句话
model=ESPNet_Encoder()
tw.draw_model(model, [1, 3, 512, 256])
网络结构如下：
以上就是 pytorch 种常见的几种可视化网络模型的方法，各有利弊，第三种有时候会出现一些莫名的错误 ，暂时还未得到解决！