torchinfo.summary()可打印含输入尺寸的完整拓扑，显示每层输入/输出shape、参数量、内存占用及FLOPs，比print(model)更全面；需指定input_size（如(16,3,224,224)），避免设备不一致或动态分支导致的报错。
用 torchinfo.summary() 打印带输入尺寸的完整拓扑
直接 print(model) 只显示模块嵌套关系，不体现每层输入/输出 shape、参数量、内存占用，对调试和模型分析帮助有限。torchinfo 是目前最轻量且兼容性最好的替代方案（已取代老旧的 torchsummary）。
安装后必须传入实际的 input_size（batch 维必须显式指定），否则会报 RuntimeError: Input type (torch.cuda.FloatTensor) and weight type (torch.FloatTensor) should be the same 类错误：
pip install torchinfo from torchinfo import summary summary(model, input_size=(16, 3, 224, 224)) # 注意：不是 (3, 224, 224)
- batch size 设太小（如 1）可能导致某些层（如 BatchNorm）因统计量不足而报错；设太大可能 OOM，建议从 8 或 16 开始试
- 若模型含动态控制流（如
if x.sum() > 0:），torchinfo会静默失败或只显示部分分支 —— 这时只能退回到手动插入钩子或分段打印 - 支持多输入：传入 tuple，如
input_size=([(1, 3, 224, 224), (1, 100)])
导出 .onnx 后用 Netron 查看可视化拓扑图
Netron 不解析 Python 代码，它只读取序列化后的模型文件（如 .onnx、.pt、.pth）。PyTorch 原生 .pt 文件若含自定义 forward 逻辑，Netron 往往无法还原计算图；必须先转成 ONNX 格式。
导出时容易漏掉 training=False 和 opset_version，导致 Netron 打开后节点异常或缺失：
立即学习“Python免费学习笔记（深入）”；
import torch.onnx
dummy_input = torch.randn(1, 3, 224, 224)
torch.onnx.export(
model.eval(), # 必须调用 .eval()
dummy_input,
"model.onnx",
input_names=["input"],
output_names=["output"],
opset_version=13, # 推荐 12–14，太高（如 17）部分算子不兼容
training=torch.onnx.TrainingMode.EVAL
)- 若模型含
torch.jit.script或nn.ModuleList动态索引，ONNX 导出可能失败，需改用torch.jit.trace+torch.jit.save再用 Netron 打开.pt - Netron 网页版（netron.app）不支持上传大文件（>100MB），本地桌面版更稳
- 导出后双击
.onnx即可打开，右侧可逐层查看 tensor shape、数据类型、算子属性
不用第三方库，只靠 PyTorch 原生 API 拆解层级结构
当环境受限（如离线服务器）或需精确控制打印粒度时，应放弃封装库，直接遍历 named_children() 和 named_modules()。
关键区别在于：named_children() 只返回直接子模块（一层深），适合查看顶层 block；named_modules() 返回所有嵌套模块（递归），但会包含重复或无意义的中间 wrapper：
# 只看主干结构（如 ResNet 的 layer1/layer2/...）
for name, module in model.named_children():
print(f"{name}: {module.__class__.__name__}")
<h1>查看所有叶子层（含 Conv/BatchNorm/Linear 等）</h1><p>for name, module in model.named_modules():
if len(list(module.children())) == 0 and not isinstance(module, nn.Sequential):
print(f"{name} -> {module.<strong>class</strong>.<strong>name</strong>}")-
model.modules()不带名字，调试时难定位；务必优先用named_modules() - 注意
nn.Sequential本身是容器，其内部子模块不会被named_children()列出，需额外递归处理 - 若想打印某一层的权重 shape，用
list(module.parameters())[0].shape，但要确保该层确实有参数（比如nn.ReLU就没有）
为什么 torchsummary 容易报错而 torchinfo 更稳
torchsummary 已停止维护，其底层仍基于旧版 PyTorch 的 register_forward_hook 实现，在 PyTorch ≥ 2.0 中与新编译器（torch.compile）、启用 torch.inference_mode() 或使用 nn.utils.parametrize 时极易触发 AttributeError: 'NoneType' object has no attribute 'size'。
torchinfo 改用前向执行 + 自动 shape 推导（类似 ONNX 的 shape inference），绕过了 hook 机制的副作用：
- 它默认在 CPU 上运行推导，避免 GPU/CPU 设备不一致问题；如需 GPU 推导，得手动把
dummy_input和model都.to("cuda") - 遇到
torch.nn.Identity或自定义空操作层时，torchinfo会跳过而非崩溃，而torchsummary常卡死 - 不支持 JIT 模型（
torch.jit.ScriptModule），此时只能用model.code看 IR，或回退到named_modules()方案
真正麻烦的是那些依赖运行时条件分支的模型——无论用哪个工具，都只能看到“静态展开”后的路径。这时候，得靠在 forward 里插 print(x.shape) 或用 torch.utils.hooks 捕获实际走过的层。
