专栏名称: 极市平台
极市平台是由深圳极视角推出的专业的视觉算法开发与分发平台，为视觉开发者提供多领域实景训练数据库等开发工具和规模化销售渠道。本公众号将会分享视觉相关的技术资讯，行业动态，在线分享信息，线下活动等。 网站: http://cvmart.net/
目录
相关文章推荐
福州日报  ·  福州市中心这家三甲医院，开设夜诊！免费停车！ ·  昨天  
福州日报  ·  福州市中心这家三甲医院，开设夜诊！免费停车！ ·  昨天  
福州新闻网  ·  黄晓明现身福州！ ·  3 天前  
51好读  ›  专栏  ›  极市平台

22 款神经网络设计和可视化的工具大汇总

极市平台  · 公众号  ·  · 2024-08-02 22:00

正文

↑ 点击 蓝字 关注极市平台
来源丨算法猿的成长
编辑丨极市平台

极市导读

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，本文整理了 22 个设计和可视化网络结构的工具，希望对大家有所帮助。 >> 加入极市CV技术交流群，走在计算机视觉的最前沿

前言

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：

  1. draw_convnet
  2. NNSVG
  3. PlotNeuralNet
  4. TensorBoard
  5. Caffe
  6. Matlab
  7. Keras.js
  8. Keras-sequential-ascii
  9. Netron
  10. DotNet
  11. Graphviz
  12. Keras Visualization
  13. Conx
  14. ENNUI
  15. NNet
  16. GraphCore
  17. Neataptic
  18. TensorSpace
  19. Netscope CNN Analyzer
  20. Monial
  21. Texample
  22. Quiver

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

1. draw_convnet

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

2. NNSVG

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

3. PlotNeuralNet

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

FCN-8
FCN-32

安装

这里给出在 Ubuntu 和 windows 两个系统的安装方式： ubuntu 16.04 

sudo apt-get install texlive-latex-extra

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

sudo apt-get install texlive-latex-basesudo apt-get install texlive-fonts-recommendedsudo apt-get install texlive-fonts-extrasudo apt-get install texlive-latex-extra

Windows

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

  2. 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/

使用例子

安装完后就是使用，按照如下所示即可： 

cd pyexamples/bash ../tikzmake.sh test_simple

Python 的用法如下 ： 

  1. 先创建新的文件夹，并生成一个新的 python 代码文件：
$ mkdir my_project$ cd my_projectvim my_arch.py
  1. 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
import syssys.path.append('../')from pycore.tikzeng import *# defined your archarch = [    to_head( '..' ),    to_cor(),    to_begin(),    to_Conv("conv1", 512, 64, offset="(0,0,0)", to="(0,0,0)", height=64, depth=64, width=2 ),    to_Pool("pool1", offset="(0,0,0)", to="(conv1-east)"),    to_Conv("conv2", 128, 64, offset="(1,0,0)", to="(pool1-east)", height=32, depth=32, width=2 ),    to_connection( "pool1", "conv2"),    to_Pool("pool2", offset="(0,0,0)", to="(conv2-east)", height=28, depth=28, width=1),    to_SoftMax("soft1", 10 ,"(3,0,0)", "(pool1-east)", caption="SOFT"  ),    to_connection("pool2", "soft1"),    to_end()    ]def main():    namefile = str(sys.argv[0]).split('.')[0]    to_generate(arch, namefile + '.tex' )if __name__ == '__main__':    main()
  1. 最后，运行脚本
bash ../tikzmake.sh my_arch

4. TensorBoard

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：

5. Caffe

https://github.com/BVLC/caffe/blob/master/python/caffe/draw.pyCaffe 的绘图工具，效果如下所示：

6. Matlab

http://www.mathworks.com/help/nnet/ref/view.htmlMatlab 的绘图工具，效果如下所示：

7. Keras.js

https://transcranial.github.io/keras-js/#/inception-v3Keras 的可视化工具，效果如下所示：

8. keras-sequential-ascii

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：

安装

通过 PyPI： 

pip install keras_sequential_ascii

直接通过 github 仓库： 

pip install git+git://github.com/stared/keras-sequential-ascii.git

使用例子

在代码中添加： 

from keras_sequential_ascii import keras2asciikeras2ascii(model)

9. Netron

https://github.com/lutzroeder/NetronStar 数量：9.7k+

简介

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

安装方式，根据不同系统，有所不一样： macOS 两种方式，任选一种：

  1. 下载 .dmg 文件，地址：https://github.com/lutzroeder/netron/releases/latest
  2. 运行命令 brew cask install netron

Linux 也是两种方式，任选其中一种：

  1. 下载 .AppImage 文件，下载地址：https://github.com/lutzroeder/netron/releases/latest
  2. 运行命令 snap install netron

Windows 也是两种方式，任选其中一种：

  1. 下载 .exe 文件，下载地址：https://github.com/lutzroeder/netron/releases/latest
  2. 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 
import netron;netron.start('文件路径')

10. DotNet

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： 

python dotnets.py | dot -Tpng | open -f -a /Applications/Preview.app

或者生成 PDF 文件 

python dotnets.py | dot -Tpdf > test.pdf

其效果如下所示：

11. Graphviz

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：

12. Keras Visualization

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：

13. Conx

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

14. ENNUI

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：

15. NNet

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： 

data(infert, package="datasets")plot(neuralnet(case~parity+induced+spontaneous, infert))

效果如下所示：

16. GraphCore

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

17. Neataptic

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：

18. TensorSpace

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：







请到「今天看啥」查看全文


推荐文章
福州日报  ·  福州市中心这家三甲医院，开设夜诊！免费停车！
昨天
福州日报  ·  福州市中心这家三甲医院，开设夜诊！免费停车！
昨天
福州新闻网  ·  黄晓明现身福州！
3 天前
军事纵横  ·  CCTV、东方卫视报道：《打呼噜的危害》，这想不到啊！！！
8 年前
爱范儿  ·  福特： 其实你们都弄错了什么是“自动驾驶”！
8 年前
砍柴网  ·  VR、无人机 ... 鸡年春晚的这些“黑科技”你肯定不知道！
8 年前
鲁中晨报  ·  惊呆！淄博一市民的一卡通里忽然多出3000多万
7 年前
冯站长之家  ·  今日聚焦：惊天逆转！中国狠狠出手，萨德败局敲定！最让美国绝望的，是……
7 年前
Sov5搜索   ·   小百科   ·   今天看啥   ·   移动版
51好读 - 好文章就要读起来!