第4章：模型可视化——用Netron看懂ONNX计算图
说实话，我刚入行那会儿，最头疼的就是模型可视化。
训练好的模型像个黑盒子，输入输出全靠猜。直到我遇到了Netron——这工具，说白了就是模型界的「X光机」。今天我就带你把它玩明白。
4.1 为什么需要可视化？
你想想看，一个ResNet-50转成ONNX后，可能有上百个节点。要是全靠读代码去理解结构，那得看到猴年马月？
可视化能帮你快速回答三个核心问题：
- 输入长什么样？——shape、dtype、数据排布
- 中间经历了什么？——卷积、池化、归一化，每一步都看得见
- 输出是什么？——最终结果的结构和类型
我在项目里遇到过一件事：有个同事部署模型时一直报shape不匹配，查了两天没头绪。我用Netron打开模型一看，发现输入层要求的是NCHW格式，他传的却是NHWC。嗯，这种坑，可视化一眼就能揪出来。
4.2 安装Netron
Netron的安装方式很灵活，我一般推荐三种：
| 方式 | 命令 | 适用场景 |
|---|---|---|
| Python包 | pip install netron |
开发环境，最常用 |
| 桌面版 | 官网下载安装包 | 离线环境，体验更好 |
| 网页版 | https://netron.app | 临时查看，无需安装 |
我个人习惯用Python包方式。原因很简单——可以在代码里直接调用，方便集成到自动化流程中。
4.3 打开你的第一个ONNX模型
假设你已经有了一个ONNX模型文件（比如model.onnx），用Python启动Netron只需要两行代码：
import netron
netron.start('model.onnx')运行后，终端会显示一个本地地址，比如http://localhost:8080。在浏览器打开它，就能看到模型的计算图了。
我第一次看到这个界面时，说实话有点震撼。原来模型内部长这样——每个节点都是一个算子，每条边都是数据的流动路径。
4.3 读懂计算图
Netron的界面分为三个区域，我带你逐个看：
4.3.1 左侧：模型元信息
这里显示的是模型的「身份证」：
- 模型名称——导出时指定的名字
- opset版本——算子集版本，影响兼容性
- 输入输出——每个tensor的名称、shape、dtype
我曾经踩过一个坑：模型在PyTorch里跑得好好的，转成ONNX后部署到另一个框架就报错。后来发现是opset版本不一致。所以，每次导出模型时，我都会特意看一眼这个信息。
4.3.2 中间：计算图主视图
这是核心区域。每个矩形框代表一个算子，箭头代表数据流向。
点击任意节点，右侧会显示它的详细属性：
- 算子类型（Conv、Relu、BatchNormalization...）
- 输入tensor的名称和shape
- 输出tensor的名称和shape
- 算子参数（比如卷积的kernel size、stride、padding）
4.3.3 右侧：节点详情
选中一个节点后，右侧面板会展示它的全部信息。我经常在这里做两件事：
- 检查参数是否正确——比如卷积的padding是不是我预期的值
- 确认数据流向——看输入来自哪个节点，输出去往哪里
说白了，Netron就是把模型从「代码逻辑」变成了「可视化图谱」。你不需要一行行读代码，就能理解整个模型的架构。
4.4 实用技巧
用Netron久了，我总结了一些小技巧，分享给你：
- 缩放和拖拽——鼠标滚轮缩放，按住左键拖拽。大模型节点多，别指望一屏看完
- 搜索节点——按Ctrl+F，输入算子名或tensor名，快速定位
- 导出为图片——点击右上角的「导出」按钮，可以保存为PNG或SVG
- 查看权重——有些节点（比如卷积）的权重可以直接在右侧面板查看数值
4.5 实战：用Netron排查问题
我给你讲个真实案例。
有一次，我在部署一个分割模型时，发现输出结果全是黑的。模型训练时明明没问题，转成ONNX就挂了。
我打开Netron一看，发现输出层的shape是[1, 21, 512, 512]，但后处理代码期望的是[1, 512, 512, 21]。说白了，就是数据排布搞反了。
找到问题后，我调整了后处理代码，模型立刻正常工作了。整个过程不到10分钟。
所以，我建议你养成一个习惯：每次导出ONNX模型后，先用Netron看一眼。这花不了几分钟，但能帮你避免很多坑。
4.6 小结
Netron是ONNX部署中最常用的工具之一。它把抽象的计算图变成了直观的图形，让你能快速理解模型结构、排查问题。
下一章，我们会深入ONNX的算子集，看看每个算子到底在做什么。到时候，你再用Netron去看模型，会发现每个节点都变得「有血有肉」了。