Last update @2021/03/05

深度學習的框架越來越多，從最多人用的 Tensorflow, Pytorch, 已經被併入 Tenserflow 的 Keras, 或是工業部署會用到的 Tensorflow lite 等等，當你今天拿到一個模型，想要知道模型架構是如何設計，使用可視化工具是一種方便且簡單的方式。

然而，不同的框架對模型可視化的支援度不一樣，因此 netron 的出現可以省去許多麻煩。自從我去公司上班後才發現這個好用的工具，真是相見恨晚啊~

netron 的 github 頁面列出了所有支援的模型檔案，真的是林林總總，學都學不完啊，如果每次拿到一個新框架的模型，為了看懂模型架構而從頭開始學習，實在是太浪費時間了。netron 就可以幫助你快速的理解模型架構，netron對不同框架的支援度不太一樣，有些已經非常完整，有些可能會有一點小問題，大家可以自行嘗試。

netron 可以安裝在 macOS, Windows, Linux, 也可以直接使用網頁板，非常的方便，我平常使用時都直接用網頁版的。netron 的操作非常直觀，滑鼠滾輪放大縮小，按住左鍵可以上下移動。

netron 的 github 已經提供許多範例了，這邊放個比較不一樣的: tensorflow lite 的 quantize model，quantize(量化) 可以有效減少模型大小，是部署深度學習模型常用的方法。這邊從 tensorflow hub 下載的 mobilenet_v1_0.25_128_quantized ，用 netron 來看看模型的架構和參數。

下圖是選取第一個 Conv2D 的結果，可以看到 netron 把 Conv2D 的參數，input, weight, bias, 和 output 全都包了，提供了許多有用的資訊。比如說這個模型的輸入是大小 128 * 128 的彩色圖片，第一個 Conv2D 的 bias 實際的數值是多少等等。有關 quantize 的參數若想知道可以在底下告訴我。

很可惜，如果你今天只有 pytorch 的 model weight 檔 (.pth) ，是沒有辦法知道模型是怎麼相連的，這是因為 pytorch 動態圖的設計，只有在 forward 的時候會知道模型的圖是怎麼相連的。一個治標不知本的方法是將 pytorch model 變成編譯好的靜態圖 TorchScript (官網教學)，再用 netron 得到視覺化的結果，但我建議有看懂 pytorch forward 的能力是非常重要的，想學習 pytorch 是必經之路。