画出炫酷高大上的神经网络图常用的几种工具

客官°小女子只卖身不卖艺 2022-02-18 23:17 343阅读 0赞

from : [https://mp.weixin.qq.com/s?\_\_biz=MzUxNjcxMjQxNg==&mid=2247488476&idx=3&sn=679608648b17a4914589ab8ddf5cf863&chksm=f9a26153ced5e845159acc3a4810641828f2ae9bd0fe051c613b5911973da23a92d59c4e69c6&mpshare=1&scene=1&srcid=&key=aed6be2b7ed28ff5123f4facd93fba21bd99d5a922756a37b6b0dbc28e3c6ab46cd2898282d405852710857fe807c8233b9f7a4682c3011ccc116650bd692a8686f788d06e691cf67cc02c5f01c46e65&ascene=1&uin=MjI0NDQyMzUwMA%3D%3D&devicetype=Windows+10&version=62060739&lang=en&pass\_ticket=xQgwH35ketL6SXRO2kvPOz5BmNIvBji%2BqW6pyBp4cn%2FPDkEWEcGd1hRZTq%2F9Xomd][https_mp.weixin.qq.com_s_biz_MzUxNjcxMjQxNg_mid_2247488476_idx_3_sn_679608648b17a4914589ab8ddf5cf863_chksm_f9a26153ced5e845159acc3a4810641828f2ae9bd0fe051c613b5911973da23a92d59c4e69c6_mpshare_1_scene_1_srcid_key_aed6be2b7ed28ff5123f4facd93fba21bd99d5a922756a37b6b0dbc28e3c6ab46cd2898282d405852710857fe807c8233b9f7a4682c3011ccc116650bd692a8686f788d06e691cf67cc02c5f01c46e65_ascene_1_uin_MjI0NDQyMzUwMA_3D_3D_devicetype_Windows_10_version_62060739_lang_en_pass_ticket_xQgwH35ketL6SXRO2kvPOz5BmNIvBji_2BqW6pyBp4cn_2FPDkEWEcGd1hRZTq_2F9Xomd]

画出炫酷高大上的神经网络图，下面是常用的几种工具

**1 **NN-SVG

这个工具可以非常方便的画出各种类型的图，是下面这位小哥哥开发的，来自于麻省理工学院弗兰克尔生物工程实验室, 该实验室开发可视化和机器学习工具用于分析生物数据。

![640_wx_fmt_jpeg_tp_webp_wxfrom_5_wx_lazy_1_wx_co_1][]

github地址：https://github.com/zfrenchee

画图工具体验地址：http://alexlenail.me/NN-SVG/

可以绘制的图包括以节点形式展示的FCNN style，这个特别适合传统的全连接神经网络的绘制。

![640_wx_fmt_png_tp_webp_wxfrom_5_wx_lazy_1_wx_co_1][]

以平铺网络结构展示的LeNet style，用二维的方式，适合查看每一层featuremap的大小和通道数目。

![640_wx_fmt_png_tp_webp_wxfrom_5_wx_lazy_1_wx_co_1 1][]

以三维block形式展现的AlexNet style，可以更加真实地展示卷积过程中高维数据的尺度的变化，目前只支持卷积层和全连接层。

![640_wx_fmt_png_tp_webp_wxfrom_5_wx_lazy_1_wx_co_1 2][]

这个工具可以导出非常高清的SVG图，值得体验。

**2 PlotNeuralNet**

这个工具是萨尔大学计算机科学专业的一个学生开发的，一看就像计算机学院的嘛。

![640_wx_fmt_jpeg_tp_webp_wxfrom_5_wx_lazy_1_wx_co_1 1][]

首先我们看看效果，其github链接如下，将近4000 star：

https://github.com/HarisIqbal88/PlotNeuralNet

看看人家这个fcn-8的可视化图，颜值奇高。

![640_wx_fmt_png_tp_webp_wxfrom_5_wx_lazy_1_wx_co_1 3][]

使用的门槛相对来说就高一些了，用LaTex语言编辑，所以可以发挥的空间就大了，你看下面这个softmax层，这就是会写代码的优势了。

![640_wx_fmt_png_tp_webp_wxfrom_5_wx_lazy_1_wx_co_1 4][]

其中的一部分代码是这样的，会写吗。

\\pic\[shift=\{(0,0,0)\}\] at (0,0,0) \{Box=\{name=crp1,caption=SoftmaxLoss: $E\_\\mathcal\{S\}$ ,%

fill=\{rgb:blue,1.5;red,3.5;green,3.5;white,5\},opacity=0.5,height=20,width=7,depth=20\}\};

相似的工具还有：https://github.com/jettan/tikz\_cnn

**3 **ConvNetDraw

ConvNetDraw是一个使用配置命令的CNN神经网络画图工具，开发者是香港的一位程序员，Cédric cbovar。

![640_wx_fmt_jpeg_tp_webp_wxfrom_5_wx_lazy_1_wx_co_1 2][]

采用如下的语法直接配置网络，可以简单调整x，y，z等3个维度，github链接如下：

https://cbovar.github.io/ConvNetDraw/

![640_wx_fmt_png_tp_webp_wxfrom_5_wx_lazy_1_wx_co_1 5][]

使用方法如上图所示，只需输入模型结构中各层的参数配置。

![640_wx_fmt_png_tp_webp_wxfrom_5_wx_lazy_1_wx_co_1 6][]

挺好用的不过它目标分辨率太低了，放大之后不清晰，达不到印刷的需求。

**4 Draw\_Convnet**

这一个工具名叫draw\_convnet，由Borealis公司的员工Gavin Weiguang Ding提供。

![640_wx_fmt_jpeg_tp_webp_wxfrom_5_wx_lazy_1_wx_co_1 3][]

简单直接，是纯用python代码画图的，

https://github.com/gwding/draw\_convnet

看看画的图如下，核心工具是matplotlib，图不酷炫，但是好在规规矩矩，可以严格控制，论文用挺合适的。

![640_wx_fmt_png_tp_webp_wxfrom_5_wx_lazy_1_wx_co_1 7][]

类似的工具还有：https://github.com/yu4u/convnet-drawer

**5 Netscope**

下面要说的是这个，我最常用的，caffe的网络结构可视化工具，大名鼎鼎的netscope，由斯坦福AILab的Saumitro Dasgupta开发，找不到照片就不放了，地址如下：

https://github.com/ethereon/netscope

![640_wx_fmt_png_tp_webp_wxfrom_5_wx_lazy_1_wx_co_1 8][]

![640_wx_fmt_png_tp_webp_wxfrom_5_wx_lazy_1_wx_co_1 9][]

左边放配置文件，右边出图，非常方便进行网络参数的调整和可视化。这种方式好就好在各个网络层之间的连接非常的方便。

**其他**

再分享一个有意思的，不是画什么正经图，但是把权重都画出来了。

http://scs.ryerson.ca/~aharley/vis/conv/

![640_wx_fmt_jpeg_tp_webp_wxfrom_5_wx_lazy_1_wx_co_1 4][]

![640_wx_fmt_png_tp_webp_wxfrom_5_wx_lazy_1_wx_co_1 10][]

看了这么多，有人已经在偷偷笑了，上PPT呀，想要什么有什么，想怎么画就怎么画。

![640_wx_fmt_png_tp_webp_wxfrom_5_wx_lazy_1_wx_co_1 11][]

**不过妹子呢？**

**怎么不来开发一个粉色系的可视化工具呢？**

**类似于这样的**

![640_wx_fmt_jpeg_tp_webp_wxfrom_5_wx_lazy_1_wx_co_1 5][]

\------End------

[https_mp.weixin.qq.com_s_biz_MzUxNjcxMjQxNg_mid_2247488476_idx_3_sn_679608648b17a4914589ab8ddf5cf863_chksm_f9a26153ced5e845159acc3a4810641828f2ae9bd0fe051c613b5911973da23a92d59c4e69c6_mpshare_1_scene_1_srcid_key_aed6be2b7ed28ff5123f4facd93fba21bd99d5a922756a37b6b0dbc28e3c6ab46cd2898282d405852710857fe807c8233b9f7a4682c3011ccc116650bd692a8686f788d06e691cf67cc02c5f01c46e65_ascene_1_uin_MjI0NDQyMzUwMA_3D_3D_devicetype_Windows_10_version_62060739_lang_en_pass_ticket_xQgwH35ketL6SXRO2kvPOz5BmNIvBji_2BqW6pyBp4cn_2FPDkEWEcGd1hRZTq_2F9Xomd]: https://mp.weixin.qq.com/s?__biz=MzUxNjcxMjQxNg==&mid=2247488476&idx=3&sn=679608648b17a4914589ab8ddf5cf863&chksm=f9a26153ced5e845159acc3a4810641828f2ae9bd0fe051c613b5911973da23a92d59c4e69c6&mpshare=1&scene=1&srcid=&key=aed6be2b7ed28ff5123f4facd93fba21bd99d5a922756a37b6b0dbc28e3c6ab46cd2898282d405852710857fe807c8233b9f7a4682c3011ccc116650bd692a8686f788d06e691cf67cc02c5f01c46e65&ascene=1&uin=MjI0NDQyMzUwMA%3D%3D&devicetype=Windows+10&version=62060739&lang=en&pass_ticket=xQgwH35ketL6SXRO2kvPOz5BmNIvBji%2BqW6pyBp4cn%2FPDkEWEcGd1hRZTq%2F9Xomd
[640_wx_fmt_jpeg_tp_webp_wxfrom_5_wx_lazy_1_wx_co_1]: /images/20220219/dc2c0737c1eb43fc94dcdac1220e2395.png
[640_wx_fmt_png_tp_webp_wxfrom_5_wx_lazy_1_wx_co_1]: /images/20220219/f3e8728e438648f7b53e9e707969bd10.png
[640_wx_fmt_png_tp_webp_wxfrom_5_wx_lazy_1_wx_co_1 1]: /images/20220219/34b5642f70784b68a5010024d9622769.png
[640_wx_fmt_png_tp_webp_wxfrom_5_wx_lazy_1_wx_co_1 2]: /images/20220219/a43c08ca78f54bfe9fd0ff81957ed089.png
[640_wx_fmt_jpeg_tp_webp_wxfrom_5_wx_lazy_1_wx_co_1 1]: /images/20220219/c89b62545b3249bf97e9c8b18353bfc9.png
[640_wx_fmt_png_tp_webp_wxfrom_5_wx_lazy_1_wx_co_1 3]: /images/20220219/de48dec51a724789a4f570087821861e.png
[640_wx_fmt_png_tp_webp_wxfrom_5_wx_lazy_1_wx_co_1 4]: /images/20220219/0dc5d8f24d9f4c7da0b4e9e062bc9664.png
[640_wx_fmt_jpeg_tp_webp_wxfrom_5_wx_lazy_1_wx_co_1 2]: /images/20220219/232240368b554ba7b36277e65bee1ff1.png
[640_wx_fmt_png_tp_webp_wxfrom_5_wx_lazy_1_wx_co_1 5]: /images/20220219/a7f139983a554a3f9be2b9fbff3a4cad.png
[640_wx_fmt_png_tp_webp_wxfrom_5_wx_lazy_1_wx_co_1 6]: /images/20220219/14db0d20f8c64d279f73ff24115bea16.png
[640_wx_fmt_jpeg_tp_webp_wxfrom_5_wx_lazy_1_wx_co_1 3]: /images/20220219/c980105f728e4c9cbb39141aedde2411.png
[640_wx_fmt_png_tp_webp_wxfrom_5_wx_lazy_1_wx_co_1 7]: /images/20220219/f6f884ada70b45bc89599020fe786d97.png
[640_wx_fmt_png_tp_webp_wxfrom_5_wx_lazy_1_wx_co_1 8]: /images/20220219/2c29eb3042904f0383cd54e16e3b20d9.png
[640_wx_fmt_png_tp_webp_wxfrom_5_wx_lazy_1_wx_co_1 9]: /images/20220219/78e5d04e9600478c89212af68c5944ca.png
[640_wx_fmt_jpeg_tp_webp_wxfrom_5_wx_lazy_1_wx_co_1 4]: /images/20220219/4627fdc762d74b50a945312c55d44128.png
[640_wx_fmt_png_tp_webp_wxfrom_5_wx_lazy_1_wx_co_1 10]: /images/20220219/11bdbec64e9c44adbebc88a4bc0f0250.png
[640_wx_fmt_png_tp_webp_wxfrom_5_wx_lazy_1_wx_co_1 11]: /images/20220219/2d37800496d049f48f3969af57b9665d.png
[640_wx_fmt_jpeg_tp_webp_wxfrom_5_wx_lazy_1_wx_co_1 5]: /images/20220219/3fe5a92536394330a471ec128c986d23.png