深度学习领域，最常见的就是各种网络模型，那么在写论文或者文章，介绍网络模型的时候，最好的办法当然就是展示代码画图，今天介绍的 Github 项目，就是整理了 22 个设计和可视化网络结构的工具，其地址如下：

https://github.com/ashishpatel26/Tools-to-Design-or-Visualize-Architecture-of-Neural-Network

22 款工具名称分别是：

draw_convnet

NNSVG

PlotNeuralNet

TensorBoard

Caffe

Matlab

Keras.js

Keras-sequential-ascii

Netron

DotNet

Graphviz

Keras Visualization

Conx

ENNUI

NNet

GraphCore

Neataptic

TensorSpace

Netscope CNN Analyzer

Monial

Texample

Quiver

本文首发于我的知乎专栏：https://zhuanlan.zhihu.com/p/147462170

Github: https://github.com/gwding/draw_convnet

star 数量：1.7k+

这个工具最后一次更新是 2018 年的时候，一个 python 脚本来绘制卷积神经网络的工具，效果如下所示：

网址：http://alexlenail.me/NN-SVG/LeNet.html

这个工具有 3 种网络结构风格，分别如下所示：

LeNet 类型：

AlexNet 类型

FCNN 类型

GitHub 地址：https://github.com/HarisIqbal88/PlotNeuralNet

star 数量：8.2k+

这个工具是基于 Latex 代码实现的用于绘制网络结构，可以看看使用例子看看这些网络结构图是如何绘制出来的。

效果如下所示：

这里给出在 Ubuntu 和 windows 两个系统的安装方式：

ubuntu 16.04

Ubuntu 18.04.2 是基于这个网站：https://gist.github.com/rain1024/98dd5e2c6c8c28f9ea9d，安装命令如下：

Windows

首先下载并安装 MikTex，下载网站：https://miktex.org/download

其次，下载并安装 windows 的 bash 运行器，推荐这两个：

Git：https://git-scm.com/download/win

Cygwin：https://www.cygwin.com/

安装完后就是使用，按照如下所示即可：

Python 的用法如下：

先创建新的文件夹，并生成一个新的 python 代码文件：

然后在新的代码文件 my_arch.py 中添加这段代码，用于定义你的网络结构，主要是不同类型网络层的参数，包括输入输出数量、卷积核数量等

最后，运行脚本

https://www.tensorflow.org/tensorboard/graphs

使用过 TensorFlow 的都应该知道这个绘图工具，TensorFlow 的可视化工具，查看网络结构、损失的变化、准确率等指标的变化情况等。

网络结构的效果如下图所示：

https://github.com/BVLC/caffe/blob/master/python/caffe/draw.py

Caffe 的绘图工具，效果如下所示：

http://www.mathworks.com/help/nnet/ref/view.html

Matlab 的绘图工具，效果如下所示：

https://transcranial.github.io/keras-js/#/inception-v3

Keras 的可视化工具，效果如下所示：

https://github.com/stared/keras-sequential-ascii/

Keras 的一个第三方库，用于对序列模型的网络结构和参数进行检查，直接打印出来结果，比如，VGG 16 的网络结构如下所示，每层网络的参数维度，参数的数量以及占整个网络参数的比例都会展示出来：

通过 PyPI：

直接通过 github 仓库：

在代码中添加：

https://github.com/lutzroeder/Netron

Star 数量：9.7k+

Netron 可以可视化神经网络，深度学习和机器学习模型，目前支持的网络框架包括：

ONNX: .onnx, .pb, .pbtxt 文件

Keras：.h5，.keras 文件

Core ML：.mlmodel

Caffe：.caffemodel, .prototxt

Caffe2：predict_net.pb, predict_net.pbtxt

Darknet: .cfg

MXNet：.model, -symbol.json

ncnn：.param

TensorFlow Lite：.tflite

另外，Netron 也有实验支持这些框架:

TorchScript: .pt, .pth

PyTorch：.pt, .pth

Torch: .t7

Arm NN：.armnn

Barracuda：.nn

BigDL .bigdl, .model

Chainer ：.npz, .h5

CNTK ：.model, .cntk

Deeplearning4j：.zip

MediaPipe：.pbtxt

ML.NET：.zip

MNN：.mnn

OpenVINO ：.xml

PaddlePaddle ：.zip, __model__

scikit-learn ：.pkl

Tengine ：.tmfile

TensorFlow.js ：model.json, .pb

TensorFlow ：.pb, .meta, .pbtxt, .ckpt, .index

其效果如下所示：

安装方式，根据不同系统，有所不一样：

macOS

两种方式，任选一种：

下载 .dmg 文件，地址：https://github.com/lutzroeder/netron/releases/latest

运行命令 brew cask install netron

Linux

也是两种方式，任选其中一种：

下载 .AppImage 文件，下载地址：https://github.com/lutzroeder/netron/releases/latest

运行命令 snap install netron

Windows

也是两种方式，任选其中一种：

下载 .exe 文件，下载地址：https://github.com/lutzroeder/netron/releases/latest

运行命令 winget install netron

浏览器：浏览器运行地址：https://www.lutzroeder.com/ai/netron

Python 服务器：

首先，运行安装命令 pip install netron，然后使用方法有两种：

命令行，运行 netron [文件路径]

.py 代码中加入

https://github.com/martisak/dotnets

这个工具是一个简单的 python 脚本，利用 Graphviz 生成神经网络的图片。主要参考了文章：https://tgmstat.wordpress.com/2013/06/12/draw-neural-network-diagrams-graphviz/

用法如下：

在 MaxOS 上：

或者生成 PDF 文件

其效果如下所示：

http://www.graphviz.org/

教程：https://tgmstat.wordpress.com/2013/06/12/draw-neural-network-diagrams-graphviz/

Graphviz 是一个开源的图可视化软件，它可以用抽象的图形和网络图来表示结构化信息。

其效果如下所示：

https://keras.io/api/utils/model_plotting_utils/

这是 Keras 库中的一个功能模块-- keras.utils.vis_utils 提供的绘制 Keras 网络模型（使用的是 graphviz ）

其效果如下所示：

https://conx.readthedocs.io/en/latest/index.html

Python 的一个第三方库 conx 可以通过函数net.picture() 来实现对带有激活函数网络的可视化，可以输出图片格式包括 SVG, PNG 或者是 PIL。

其效果如下所示：

https://math.mit.edu/ennui/

通过拖和拽相应的图形框来实现一个网络结构的可视化，下面是一个可视化 LeNet 的例子：

教程：https://beckmw.wordpress.com/2013/03/04/visualizing-neural-networks-from-the-nnet-package/

R 工具包，简单的使用例子如下：

效果如下所示：

)

https://www.graphcore.ai/posts/what-does-machine-learning-look-like

GraphCore 主要是展示神经网络中操作的可视化结果，但也包括了网络结构的内容，比如每层的网络参数等。

下面展示了两个网络结构的可视化效果--AlexNet 和 ResNet50.

AlexNet

ResNet50

https://wagenaartje.github.io/neataptic/

Neataptic 提供了非常灵活的神经网络可视化形式

神经元和突触可以通过一行代码进行删除；

没有规定神经网络的结构必须包含哪些内容

这种灵活性允许通过神经进化（neuro-evolution）的方式为数据集调整网络结构的形状，并通过多线程来实现。

其效果如下图所示：

https://tensorspace.org/

教程：https://www.freecodecamp.org/news/tensorspace-js-a-way-to-3d-visualize-neural-networks-in-browsers-2c0afd7648a8/

TensorSpace 是通过 TensorFlow.js，Three.js 和 Tween.js 构建的一个神经网络三维可视化框架。它提供了 APIs 来构建深度学习网络层，加载预训练模型以及在浏览器中就可以生成三维的可视化结构。通过应用它的 API 接口，可以更直观地可视化和理解通过 TensorFlow、Keras 和 TensorFlow.js 等构建的任何预训练模型。

效果如下图所示：

http://dgschwend.github.io/netscope/quickstart.html

一款基于 web 端的可视化和分析卷积神经网络结构（或者是任意有向无环图），当前支持使用 Caffe 的 prototxt 形式。

效果如下图所示：

https://github.com/mlajtos/moniel

计算图的交互式表示法，展示例子如下所示，左边是输入，右侧就是对应结构的可视化结果。

http://www.texample.net/tikz/examples/neural-network/

这个工具也可以通过 LaTex 来实现一个神经网络结构的可视化，比如，一个 LaTex 的例子：

其可视化结果如下所示：

github: https://github.com/keplr-io/quiver

Star 数量：1.5k

Keras 的一款交互式可视化卷积特征的一个工具

展示例子如下所示：

两种方式，直接用 pip

或者通过 GitHub 仓库的方式：

首先构建你的 keras 模型：

接着通过一行代码来发布可视化的展示板：

最后在刚刚设置的文件夹中就可以看到每个网络层的可视化结果。

如果是想在浏览器中查看，代码如下：

默认的地址是 localhost:5000

参考文章：

https://datascience.stackexchange.com/questions/12851/how-do-you-visualize-neural-network-architectures

https://datascience.stackexchange.com/questions/2670/visualizing-deep-neural-network-training

这 22 款工具的输出结果既有直接打印的，也有黑白图、彩色图、炫酷的球体可视化结果，以及三维可视化结果，基本都可以支持目前主流的深度学习框架，当然也有的是基于特定框架，比如 keras，实现的对应第三方库。

可以根据需求和使用的框架来进行选择，相信应该能够满足大部分人对可视化网络结构的需求。