卷积神经网络结构可视化工具PlotNeuralNet |
您所在的位置：网站首页 › 画神经网络圈图 › 卷积神经网络结构可视化工具PlotNeuralNet |
卷积神经网络结构可视化工具PlotNeuralNet
|
卷积神经网络结构可视化
简介
本文介绍的工具是针对卷积神经网络示意图可视化的，不包括算图。（示意图一般出现在论文中）常见的卷积神经网络示意图绘制工具不少，常用的主要有NN SVG、ConvNetDraw、PlotNeuralNet等。写这篇重点介绍PlotNeuralNet的教程的原因是国内关于它的教程很少并且大都只是列举了官方demo。个人觉得PlotNeuralNet是很好看、可定制程度高的卷积神经网络可视化工具。 常见工具 NN SVG这是我过去一段时间内比较喜欢用的，特点是很方便，提供给用户的是个交互式的Web页面。可以访问 官方地址使用该工具，网站首页截图如下。 该工具的主要特点如下。 方便，各层直接界面控制增减及变化。支持三种风格，选择空间大。支持SVG格式下载。缺点如下 可视化界面的最大问题就是很多用户期待的功能为考虑全面，定制程度低。各层连接不是很美观。 ConvNetDraw我从未使用过，很多博主推荐，但是观感劝退了我。其官方地址可以访问使用，首页截图如下。 特点如下。 脚本化控制尺度自定义直观缺点如下。 既没有做到脚本化的自由度，又没有做到交互界面的观感。不好看。 PlotNeuralNet可以访问其Github官方地址下载该工具。 下面呈现的是前馈网络的示意图。 这是我极力推荐的工具，尽管它的上手难度略高于之前两个，但学会之后很好用，不少论文就是使用这个工具可视化的。 其主要特点如下。 脚本化，使用LaTex编写或者使用Python脚本编写结构模型，自由度高。相关缺点如下。 无交互界面，上手略有难度。 使用教程 说明基于Linux或者有bash的环境，我只在Ubuntu系统下测试成功。（事实上，深度学习首选的环境之一就是Ubuntu。）这里只介绍Python脚本绘制的方式，不介绍LaTex方式。需要安装前置软件，如LaTex解析器（推荐安装texlive。）。 前置准备 安装textlive调用LaTex解析生成PDF，需要安装LaTex，这里使用TextLive。可以使用清华的镜像源下载，Linux环境下执行下面的命令即可。该命令为下载镜像到当前目录，失败则可能换源，去掉上述链接的最后文件，在浏览器中查看合适文件下载即可。 wget https://mirrors.tuna.tsinghua.edu.cn/CTAN/systems/texlive/Images/texlive2019.iso 其他相关软件包安装 sudo apt-get install perl-tk 安装图形界面 sudo mount -o loop texlive.iso /mnt 挂载镜像 cd /mnt 切换到挂载目录 sudo ./install-tl -gui 使用图形界面安装 sudo apt-get install texlive-latex-extra 安装扩展包 下载源码使用Git将源码仓库clone到本地，命令如下。 git clone https://github.com/HarisIqbal88/PlotNeuralNet.git 源码目录结构 一般将自己写的py脚本放在clone的项目的pyexamples目录下。源目录下有两个py脚本，对其进行详细注释，包含了常用的语法。 代码1-test_simple.py 通过cd到pyexamples目录执行bash ../tikzmake.sh test_simple（注意不加py后缀，且有些错误或者警告正常，观察是否生成pdf文件即可。）具体代码如下。 import sys sys.path.append('../') # 添加自定义库的目录 from pycore.tikzeng import * # 导入自定义库 # defined your arch arch = [ # 添加头 to_head( '..' ), to_cor(), to_begin(), # 添加卷积层conv1 to_Conv("conv1", 512, 64, offset="(0,0,0)", to="(0,0,0)", height=64, depth=64, width=2 ), # 卷积层conv1东侧添加池化层pool1 to_Pool("pool1", offset="(0,0,0)", to="(conv1-east)"), # 池化层pool1东侧添加卷积层conv2 to_Conv("conv2", 128, 64, offset="(1,0,0)", to="(pool1-east)", height=32, depth=32, width=2 ), # 建立pool1到conv2的连接箭头 to_connection( "pool1", "conv2"), # conv2东侧添加pool2 to_Pool("pool2", offset="(0,0,0)", to="(conv2-east)", height=28, depth=28, width=1), # pool1东侧添加softmax层但是偏移３单位 to_SoftMax("soft1", 10 ,"(3,0,0)", "(pool1-east)", caption="SOFT" ), # 建立pool2到soft1的连接箭头 to_connection("pool2", "soft1"), # 结束 to_end() ] def main(): namefile = str(sys.argv[0]).split('.')[0] to_generate(arch, namefile + '.tex' ) if __name__ == '__main__': main()生成的PDF如下。 代码2-unet.py 具体代码如下。 import sys sys.path.append('../') from pycore.tikzeng import * from pycore.blocks import * arch = [ # 开头 to_head('..'), to_cor(), to_begin(), # 添加输入层 to_input( '../examples/fcn8s/cats.jpg' ), # 添加block1包含一个二重卷积接relu to_ConvConvRelu( name='ccr_b1', s_filer=500, n_filer=(64,64), offset="(0,0,0)", to="(0,0,0)", width=(2,2), height=40, depth=40 ), to_Pool(name="pool_b1", offset="(0,0,0)", to="(ccr_b1-east)", width=1, height=32, depth=32, opacity=0.5), # 添加三个block，每个包含三个二卷积加一池化 *block_2ConvPool( name='b2', botton='pool_b1', top='pool_b2', s_filer=256, n_filer=128, offset="(1,0,0)", size=(32,32,3.5), opacity=0.5 ), *block_2ConvPool( name='b3', botton='pool_b2', top='pool_b3', s_filer=128, n_filer=256, offset="(1,0,0)", size=(25,25,4.5), opacity=0.5 ), *block_2ConvPool( name='b4', botton='pool_b3', top='pool_b4', s_filer=64, n_filer=512, offset="(1,0,0)", size=(16,16,5.5), opacity=0.5 ), # 瓶颈，为block5 to_ConvConvRelu( name='ccr_b5', s_filer=32, n_filer=(1024,1024), offset="(2,0,0)", to="(pool_b4-east)", width=(8,8), height=8, depth=8, caption="Bottleneck" ), to_connection( "pool_b4", "ccr_b5"), # 解码器 # 多个block，每个为unconv *block_Unconv( name="b6", botton="ccr_b5", top='end_b6', s_filer=64, n_filer=512, offset="(2.1,0,0)", size=(16,16,5.0), opacity=0.5 ), to_skip( of='ccr_b4', to='ccr_res_b6', pos=1.25), *block_Unconv( name="b7", botton="end_b6", top='end_b7', s_filer=128, n_filer=256, offset="(2.1,0,0)", size=(25,25,4.5), opacity=0.5 ), to_skip( of='ccr_b3', to='ccr_res_b7', pos=1.25), *block_Unconv( name="b8", botton="end_b7", top='end_b8', s_filer=256, n_filer=128, offset="(2.1,0,0)", size=(32,32,3.5), opacity=0.5 ), to_skip( of='ccr_b2', to='ccr_res_b8', pos=1.25), *block_Unconv( name="b9", botton="end_b8", top='end_b9', s_filer=512, n_filer=64, offset="(2.1,0,0)", size=(40,40,2.5), opacity=0.5 ), to_skip( of='ccr_b1', to='ccr_res_b9', pos=1.25), to_ConvSoftMax( name="soft1", s_filer=512, offset="(0.75,0,0)", to="(end_b9-east)", width=1, height=40, depth=40, caption="SOFT" ), to_connection( "end_b9", "soft1"), # 结束 to_end() ] def main(): namefile = str(sys.argv[0]).split('.')[0] to_generate(arch, namefile + '.tex' ) if __name__ == '__main__': main()其执行结果如下图。 封装的各类层函数都在tikzeng.py文件中，可以修改并使用。具体的代码和结果可以在我的Github找到，欢迎star或者fork。实际项目请按照官方项目更新为主。 |
其中pycore下的tikzeng.py是核心文件，定义了绘图过程（所有to开头的函数），可以绘制的层，py脚本向LaTex的转换。代码比较易懂，这里不做解析了。
【本文地址】