很多时候，我们需要复现人家的工程。因此，需要了解人家的网络结构。但不同框架之间可视化网络层方法不一样，这样给研究人员造成了很大的困扰。模型可视化工具Netron很好的解决了上述问题。Netron是微软小哥lutzroeder的一个广受好评的开源项目。目前，Netron支持各种主流机器学习、深度学习框架的模型结构可视化工作。
Netron可视化模型的方式也很多，主要有：
- 在线可视化模型（浏览器）
- 离线APP可视化模型（支持Mac、Linux、Windows）
- 使用Netron API可视化模型（Python Server）
支持的模型文件格式有： ONNX, TensorFlow Lite, Caffe, Keras, Darknet, PaddlePaddle, ncnn, MNN, Core ML, RKNN, MXNet, MindSpore Lite, TNN, Barracuda, Tengine, CNTK, TensorFlow.js, Caffe2 和 UFF。
除此之外，Netron还提供了一些试验性的模型文件格式支持：PyTorch, TensorFlow, TorchScript, OpenVINO, Torch, Vitis AI, Arm NN, BigDL, Chainer, Deeplearning4j, MediaPipe, ML.NET 和 scikit-learn。
详情请参见netron官网：点击进入
如果需要将Netron集成到项目之中，我们通常会选择Python Server方式。但是在集成时，会发现存在一些问题。
第一，我们打开一个模型（import netron;netron.start('[FILE]') ），进行可视化，它就会启动一个服务，并且自动打开浏览器，可视化模型。如果我们想同时查看多个模型，就需要启动多个服务，并且占用不同的端口。因此，集成到项目之中不太友好。
第二，如果我们启动Python Server（import netron; netron.start() ），不提前指定模型，当我们打开浏览器的时候，则需要自己选择模型路径进行渲染，这样就会导致交互流程太长。
针对如上两个问题，本项目netron-flask，通过改造netron项目。将原有的http.server改成Flask框架，并且修改前端交互模式，提供直接通过请求HTTP接口的方式直接渲染模型。
