最近因为工作需要在学习神经网络（本人工作10年了，主要做服务器相关的业务），现在是和其他AI部门合作相关能力，本人自己也对这块感兴趣，我的疑问是： 别人的模型对自己学习是否有借鉴意义 ———我理解应该是的，可以看别人的模型参数设置，甚至可以直接拿来设置给自己的数据训练用对吧。？这块具体该如何操作呢，感觉有好几个可视化的方法，到具体怎么操作，我就不太理解了，另外，该如何评估对方的模型是否具备优化空间。？
把别人训练好的网络模型参数拿过来作为自己的初始化参数，可以更快，更好的训练网络模型，这个叫做微调，就是在人家的基础上用自己的数据再跑几遍就好了；
并不涉及到可视化，可视化指的是看这个模型的结构什么的，比如用了多少个卷积层，池化层什么的；
至于你说的优化就是调参了，修改一下网络结构，参数，学习率什么的，效果怎么样和数据集，训练过程，你的参数什么的都有关系，还可能涉及到欠拟合，过拟合什么的
正对不同模型结构和数据集，可以加载一些机构开源的预训练模型，即加载预训练权重，例如人脸识别，眼睛、鼻子、嘴巴的权重经过别人超大数据集训练后会确定出不同的权重，就可以用到自己的人脸识别数据集训练中。
模型结果调优无非增加、优化数据集、修改模型结构、添加dropout层、norm层、动态修改学习率、根据loss和acc变化趋势调整卷积核数量、batchsize等，根据实际需要更换adam、sgd等优化函数。。。。
具体可以私信
mxnet的可视化代码：
sym, arg_params, aux_params = mx.model.load_checkpoint(prefix, epoch)
mx.viz.plot_network(sym).view()
tesnsorflow的可视化代码：
方法1：
from keras.utils.vis_utils import plot_model
plot_model(model,to_file='model1.png',show_shapes=True,show_layer_names=True,rankdir='TB')
方法2：
使用tensorboard
1、先用tf.summary.FileWriter生成tensorboard 文件
with tf.Session(graph=tf.Graph()) as sess:
sess.run(tf.global_variables_initializer())
tf.saved_model.loader.load(sess, ["serve"], "./data/model/merge/")
writer = tf.summary.FileWriter('./path', sess.graph)
2.执行 tensorboard --logdir=path
其它的pytorch等肯定也有对应的可视化方法。
如果想学习深度学习可以先多看一些论文，学习cnn的话，经典CNN网络（Lenet、Alexnet、GooleNet、VGG、ResNet、DenseNet）的论文肯定是要看的。
论文看多了，底下就是实践了，到时我相信你就可以看懂别人的模型了，而且可以把自己想法加进去了。