仅持有神经网络.pth文件无源码，能否获取该网络的结构？

你用torch.save(model, 'model.pth')保存的是完整模型对象，其中包含了模型的结构拓扑信息，即使没有原源码，也能通过以下方式提取结构：

• 直接加载并打印模型结构
  加载时虽然会提示找不到原类定义，但可以通过自定义反序列化逻辑绕过限制，加载后直接打印模型结构：

  import torch
  import pickle
  
  # 自定义反序列化类，绕过原类定义缺失的问题
  class CustomUnpickler(pickle.Unpickler):
      def find_class(self, module, name):
          try:
              return super().find_class(module, name)
          except AttributeError:
              # 用基础Module子类替代找不到的原类
              from torch.nn import Module
              class DummyModule(Module):
                  pass
              return DummyModule
  
  with open('model.pth', 'rb') as f:
      model = CustomUnpickler(f).load()
  
  # 打印基础结构
  print(model)
  # 若需更详细的参数统计，可使用torchsummary
  from torchsummary import summary
  summary(model, input_size=(3, 224, 224))  # 替换为你的模型实际输入尺寸
  

  这种方法能直接输出模型的层顺序、各层类型、参数数量等核心结构信息。

• 递归遍历提取层级结构
  模型对象的_modules属性包含了所有子模块的层级关系，可通过递归遍历手动解析结构：

  def parse_model_structure(module, indent=0):
      prefix = "  " * indent
      print(f"{prefix}{type(module).__name__}")
      for name, sub_module in module._modules.items():
          if sub_module is not None:
              print(f"{prefix}  ├─ {name}:")
              parse_model_structure(sub_module, indent + 2)
  
  parse_model_structure(model)
  

  这会以层级化的方式输出所有子层的类型和嵌套关系。

• 关键注意点

  • 如果你当初是用torch.save(model.state_dict(), 'model.pth')仅保存参数字典，那确实无法直接获取结构；但你用的是保存完整模型的方式，因此包含结构信息。
  • 上述方法无法还原原模型类的自定义方法，但能完整复现网络的拓扑结构（各层类型、参数尺寸、连接顺序等），足够用于模型推理或重新构建等价网络。

内容的提问来源于stack exchange，提问作者S. Yang