1 安装netron

在环境下安装，

pip insall netron

2 测试

用以下代码测试

import torch
import torch.nn as nn
import torch.nn.functional as F
import torch.onnx
 
import netron
 
 
class ForwardNet(nn.Module):
    def __init__(self):
        super(ForwardNet, self).__init__()
        self.block1 = nn.Sequential(
            nn.Conv2d(64, 64, 3, padding=1, bias=False),
            nn.BatchNorm2d(64),
            nn.ReLU(inplace=True),
            nn.Conv2d(64, 32, 1, bias=False),
            nn.BatchNorm2d(32),
            nn.ReLU(inplace=True),
            nn.Conv2d(32, 64, 3, padding=1, bias=False),
            nn.BatchNorm2d(64)
        )
 
        self.conv1 = nn.Conv2d(3, 64, 3, padding=1, bias=False)
        self.output = nn.Sequential(
            nn.Conv2d(64, 1, 3, padding=1, bias=True),
            nn.Sigmoid()
        )
 
    def forward(self, x):
        x = self.conv1(x)
        identity = x
        x = F.relu(self.block1(x) + identity)
        x = self.output(x)
        return x
 
 
input = torch.rand(1, 3, 416, 416)
model = ForwardNet()
output = model(input)
 
onnx_path = "netForwatch.onnx"
torch.onnx.export(model, input, onnx_path)
 
netron.start(onnx_path)

3 解读

效果如下，可以点开查看具体的参数，但是不是每一维的输入都是看见，还是要自己计算。
上面的代码是先调用self.conv1,他的输入深度为3，输出深度为64，kernel为3，也就是用了64个3通道3*3的卷积核，pad=1，没有bias，所以输出特征图的大小为
$(imgsize+2\ast pading-(kernelsize-1))=(416+1\ast 2-2）=416$

参考：
神经网络可视化工具：https://zhuanlan.zhihu.com/p/147462170