简介

在复现别人的模型的时候，有时我们要知道一个模型的输入与输出名，可是有时作者并没有告诉我们，要我们自己去查，有了这个工具可以清晰地看见网络的输入输出名，具体的网络结构。相比tensorboard它更加轻量化，而且支持各种框架。

支持的框架

• support for：
  ONNX (.onnx, .pb, .pbtxt),
  Keras (.h5, .keras),
  CoreML (.mlmodel),
  Caffe2 (predict_net.pb, predict_net.pbtxt),
  MXNet (.model, -symbol.json)
  TensorFlow Lite (.tflite).
• experimental support for ：
  Caffe (.caffemodel, .prototxt),
  PyTorch (.pth),
  Torch (.t7),
  CNTK (.model, .cntk),
  PaddlePaddle ( model),
  Darknet (.cfg),
  scikit-learn (.pkl),
  TensorFlow.js (model.json, .pb)
  TensorFlow (.pb, .meta, .pbtxt).

安装方法

支持linux、windows、mac
查看：
https://github.com/lutzroeder/Netron
工具里面的说明进行安装，推荐用pip安装，很方便
如果不想安装的话也没问题，作者提供了一个在线view的网页，只要上传模型就能生成结构了
https://lutzroeder.github.io/netron/

测试

我在linux下安装netron，进行测试
先pip安装：

  pip install netron

新建一个py文件，这里我命名为view_node.py
写入

  import netron
modelPath = "googlenet.pb"
netron.start(modelPath)

并将要转换的文件放在py文件同目录下
在命令行窗口执行

  python view_node.py

会出现：

此时图已经生成，打开浏览器，输入上面的网址：
http://localhost:8080
可以看见
这是网络的全貌
进行缩放查看

可以看见输入输出的名了，而且网络结构也一目了然。