3. 模型结构可视化：用Netron、torchviz、model.plot排查结构错误

模型结构可视化，说白了就是把你写的代码“画”出来。我见过太多同学，模型跑不起来就盯着报错日志看半天，其实看一眼计算图，问题就一目了然了。这一章，咱们就聊聊怎么用几个趁手的工具，把模型结构看清楚，把结构错误揪出来。

3.1 为什么需要可视化模型结构？

你想想看，一个深度模型动辄几十层、上百个张量操作。光靠读代码，很难在脑子里把数据流完整地过一遍。可视化能帮你做到三件事：

• 确认结构是否符合预期：比如你设计了一个ResNet，画出来看看跳跃连接是不是真的连对了。
• 定位维度不匹配：某个层的输出形状和下一层的输入对不上，图上一眼就能看到断层。
• 发现冗余或缺失的层：有时候多写了一个激活函数，或者少了一个归一化层，看图比看代码快得多。

3.2 三大主流工具对比

我个人习惯根据场景选工具。下面这张表帮你快速决策：

工具	适用框架	输出形式	我最常用的场景
Netron	PyTorch / TensorFlow / ONNX 等	交互式网页 / 桌面应用	查看导出的模型文件（.pt / .onnx / .pb）
torchviz	PyTorch	静态图片（PNG / PDF）	调试训练时的计算图
model.plot	TensorFlow / Keras	静态图片（PNG）	快速查看Keras模型结构

3.3 Netron：跨框架的瑞士军刀

Netron是我最常用的工具，没有之一。它支持几乎所有主流框架的模型格式。你只需要把模型保存成文件，拖进Netron就行。

使用步骤：

1. 安装：pip install netron
2. 在代码中启动：netron.start('model.onnx')
3. 浏览器自动打开，交互式查看结构

举个例子，假设你有一个PyTorch模型：

import torch
import torch.nn as nn

class SimpleCNN(nn.Module):
    def __init__(self):
        super().__init__()
        self.conv1 = nn.Conv2d(3, 16, 3)
        self.relu = nn.ReLU()
        self.pool = nn.MaxPool2d(2)
        self.fc = nn.Linear(16 * 15 * 15, 10)

    def forward(self, x):
        x = self.pool(self.relu(self.conv1(x)))
        x = x.view(x.size(0), -1)
        x = self.fc(x)
        return x

model = SimpleCNN()
dummy_input = torch.randn(1, 3, 32, 32)
torch.onnx.export(model, dummy_input, "simple_cnn.onnx")
import netron
netron.start("simple_cnn.onnx")

3.4 torchviz：PyTorch计算图的“X光片”

torchviz能画出PyTorch模型在一次前向传播中的完整计算图。它不只显示你定义的层，还会把所有的张量操作（比如view、reshape、加法）都画出来。

安装与使用：

pip install torchviz

from torchviz import make_dot

model = SimpleCNN()
x = torch.randn(1, 3, 32, 32)
y = model(x)

dot = make_dot(y, params=dict(model.named_parameters()))
dot.render("simple_cnn_torchviz", format="png")

生成的图片里，每个矩形框代表一个操作，箭头代表数据流向。我曾经用这个工具抓到一个bug：一个同学在forward里写了两次x = x.view(...)，第二次view把形状搞错了，导致梯度传不回来。看图的时候，那个多余的view节点特别扎眼。

3.5 TensorFlow的model.plot：一行代码出图

如果你用TensorFlow/Keras，那model.plot()是最省事的方案。它直接输出模型的层级结构图，清晰展示每个层的名称、输出形状和参数数量。

import tensorflow as tf

model = tf.keras.Sequential([
    tf.keras.layers.Conv2D(16, 3, activation='relu', input_shape=(32, 32, 3)),
    tf.keras.layers.MaxPooling2D(2),
    tf.keras.layers.Flatten(),
    tf.keras.layers.Dense(10)
])

tf.keras.utils.plot_model(model, to_file='model_plot.png', show_shapes=True)

加上show_shapes=True参数，每个层旁边都会标注输出张量的形状。这对于排查维度不匹配的问题特别有用。

3.6 结构错误排查实战

光说不练假把式。咱们来看几个我在项目中遇到过的真实案例。

案例一：跳跃连接连错了位置

一个同学复现DenseNet，在代码里把跳跃连接的索引写错了。用Netron打开导出的ONNX文件，发现某个DenseBlock的输入居然跳过了前面两层，直接连到了更早的层。这种错误看代码很难发现，但图上一目了然——箭头指向了错误的位置。

案例二：view操作导致维度爆炸

用torchviz调试一个图像分类模型时，我发现某个view操作后面跟着一个形状完全不对的线性层。原因是view的参数写死了，没有根据实际特征图大小动态计算。看图的时候，那个线性层的输入形状标注是[1, 1000]，但实际应该是[1, 256]。嗯，这里要注意，view操作一定要用变量，不要用硬编码。

案例三：Keras模型里多了一个Flatten层

用model.plot()查看一个文本分类模型，发现GlobalAveragePooling后面居然跟了一个Flatten层。GlobalAveragePooling的输出已经是二维的了，再加Flatten纯属多余。虽然不影响结果，但浪费了计算资源。删掉之后，模型大小减少了5%。

3.7 本章知识结构图

下面这张SVG图总结了三种工具的使用场景和排查流程：

3.8 避坑指南

最后，分享几个我踩过的坑：

• 导出的模型和训练时不一致：我曾经把模型切换到eval模式后导出，结果发现Dropout和BatchNorm的行为变了。导出前一定要确认模型状态。
• ONNX导出不支持某些操作：PyTorch里的一些自定义操作，ONNX可能不支持。这时候Netron打开会报错或丢失节点。建议先用torchviz确认计算图没问题，再导出ONNX。
• model.plot在复杂模型上会卡死：如果你的Keras模型有几百层，plot_model生成的图片会巨大无比，浏览器都打不开。这时候可以试试只画子图，或者用Netron看导出的SavedModel。