22 款设计和可视化神经网络的工具

点击上方“算法猿的成长“,关注公众号,选择加“星标“或“置顶”

总第 143 篇文章,本文大约 3000 字,阅读大约需要 10 分钟

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


工具

1. draw_convnet

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:

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/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:

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-base
sudo apt-get install texlive-fonts-recommended
sudo apt-get install texlive-fonts-extra
sudo 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_project
vim 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 sys
sys.path.append('../')
from pycore.tikzeng import *# defined your arch
arch = [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.py

Caffe 的绘图工具,效果如下所示:

6. Matlab

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

Matlab 的绘图工具,效果如下所示:

7. Keras.js

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

Keras 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/Netron

Star 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.jsmodel.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.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:


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:

19. Netscope CNN Analyzer

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:

20. Monial

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。

21. Texample

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:

22. Quiver

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:

安装方式

两种方式,直接用 pip

pip install quiver_engine

或者通过 GitHub 仓库的方式:

pip install git+git://github.com/keplr-io/quiver.git
使用例子

首先构建你的 keras 模型:

model = Model(...)

接着通过一行代码来发布可视化的展示板:

quiver_engine.server.launch(model, classes=['cat','dog'], input_folder='./imgs')

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:

from quiver_engine import server
server.launch(model)

默认的地址是 localhost:5000


参考文章:

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

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


小结

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。

可以点击文章底部“阅读原文”直接查看我的知乎文章,可以留言进行评论。


精选AI文章

1.  2020年计算机视觉学习指南

2. 是选择Keras还是PyTorch开始你的深度学习之旅呢?

3. 编写高效的PyTorch代码技巧(上)

4. 编写高效的PyTorch代码技巧(下)

5. 深度学习算法简要综述(上)

6. 深度学习算法简要综述(下)

7. 10个实用的机器学习建议

8. 实战|手把手教你训练一个基于Keras的多标签图像分类器

精选python文章

1.  python数据模型

2. python版代码整洁之道

3. 快速入门 Jupyter notebook

4. Jupyter 进阶教程

5. 10个高效的pandas技巧

精选教程资源文章

1. [资源分享] TensorFlow 官方中文版教程来了

2. [资源]推荐一些Python书籍和教程,入门和进阶的都有!

3. [Github项目推荐] 推荐三个助你更好利用Github的工具

4. Github上的各大高校资料以及国外公开课视频

5. GitHub上有哪些比较好的计算机视觉/机器视觉的项目?

欢迎关注我的微信公众号--算法猿的成长,或者扫描下方的二维码,大家一起交流,学习和进步!

 

如果觉得不错,在看、转发就是对小编的一个支持!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/408342.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

vim tutor summary

在终端输入vim tutor是最好的。。以下是我学习里边的课程的小总结&#xff1a; 经典的不多说&#xff1a; q! 退出      wq 退出并保存 <Esc> i A 编辑模式等的转换 (非编辑模式。编辑模式的话不就输入字符了~~囧~~&#xff09; 移动光标(move) 上下左右&#…

react学习(49)--参数判定

<div style{{ textAlign: center }}><Button type"primary" onClick{this.handleSubmit(false)} style{{ marginRight: 10px }}>保存</Button><Button oncllck{this.handleCancel} style{{ marginRight: 10px }}>取消</Button><But…

最近关注的一些东西

我现任职质量经理&#xff0c;负责一些质量和测试工作。下面是我关心的一些内容&#xff1a;工作相关软件质量 开发过程(RUP,XP)软件测试配置管理需求管理报表开发 个人兴趣SpringFramework设计模式PHPAsp.netwiki学习方法软件设计行进中的互联网赚钱的机会 2005.2.28

计算机视觉研究生文献和复现哪个更重要?

点击上方“算法猿的成长“&#xff0c;关注公众号&#xff0c;选择加“星标“或“置顶”总第 144 篇文章&#xff0c;本文大约 6000 字&#xff0c;阅读大约需要 15 分钟前言这是来自知乎上的一个问题&#xff0c;但我觉得应该是对很多初入深度学习领域&#xff0c;不只是计算机…

Flex4 初始化过慢解决方法

昨天找了个免费.net空间&#xff0c;想测试一下做的一个简单Flex4 上传项目的效果。上传所有文件到网站之后&#xff0c;访问项目页面&#xff0c;进度条一点一点艰难的向前移动&#xff0c;到了100%后却不出现程序界面&#xff0c;等待一会儿还是没有出现&#xff0c;于是我去…

吉他谱——单身情歌

Am Am F C F 抓不住 爱情的 我&#xff0c; 总是 眼睁睁 看它溜 走&#xff0c; 世界上 幸福的 为了爱 孤军奋 斗&#xff0c; 早就 吃够了 爱情的 苦&#xff0c; 在爱中 失落的 Em F G Am F Em Am 人到处 有&#xff0c;为 何不能 算我一 个。&#x…

react学习(50)--解决异步执行顺序问题

this.props.dispatch({type: activity/addActivityPopup,payload: params,callback: (res) > {if (res.returnCode 0) {message.success(新增成功);if (flag true) {this.props.dispatch({type: activity/publishActivityPopup,payload: { codeList: [res.data] },callbac…

SRZoo--深度学习图像超分辨率工具

点击上方“算法猿的成长“&#xff0c;关注公众号&#xff0c;选择加“星标“或“置顶”总第 145 篇文章&#xff0c;本文大约 2100 字&#xff0c;阅读大约需要 7 分钟前言今天要介绍的是 Github 上一个基于深度学习的超分辨率工具--SRZoo&#xff0c;并且它还提供了多个预训练…

Scapy:局域网MAC地址扫描脚本

转载自&#xff1a;http://blog.sina.com.cn/s/blog_4b5039210100gn6k.html 未测试&#xff0c;回头研究研究。 用pythonscapy写的&#xff0c;只要双击.py文件即可&#xff0c;扫描当地局域网的主机MAC地址&#xff0c;并把结果写入文档保存。 代码如下&#xff1a;用到注册表…

基于 opencv 的图像处理入门教程

点击上方“算法猿的成长“&#xff0c;关注公众号&#xff0c;选择加“星标“或“置顶”总第 146 篇文章&#xff0c;本文大约 5000 字&#xff0c;阅读大约需要 20 分钟前言虽然计算机视觉领域目前基本是以深度学习算法为主&#xff0c;但实际上很多时候对图片的很多处理方法&…

新增两款Skin(clover与Valentine)

感谢沪江博客又为博客园提供两款漂亮的Skin。 clover: Valentine: 转载于:https://www.cnblogs.com/dudu/archive/2005/03/06/113853.html

Linux——进程管理学习简单笔记

基本概念&#xff1a;进程和程序的区别 &#xff1a;1、程序是静态概念&#xff0c;本身作为一种软件资源长期保存&#xff1b;而进程是程序的执行过程&#xff0c;它是动态概念&#xff0c;有一定的生命期&#xff0c;是动态产生和消亡的。2、程序和进程无一一对应关系。一个程…

同一页面引入多个JS文件的编码问题

原来只是觉得IE解析HTML文件的时候&#xff0c;需要知道其传输编码&#xff0c;才能正确处理&#xff0c;而从来没有在意过JavaScript文件的编码问题。结果今天发现同一页面中的多个JavaScript文件如果保存编码不同&#xff0c;也会有出错的问题。这个一般怎么会遇到呢&#xf…

简单盘点 CVPR2020 的图像合成论文

点击上方“算法猿的成长“&#xff0c;关注公众号&#xff0c;选择加“星标“或“置顶”总第 147 篇文章&#xff0c;本文大约 3500 字&#xff0c;阅读大约需要 10 分钟前言本文将简单盘点在 CVPR2020 上的图像合成方面的论文&#xff0c;然后给出下载地址以及开源代码 github…

react学习(53)--传参payload

this.props.dispatch({type: startpage/getStartPageByCode,payload: { code: this.props.location.query.code },callback: (res) > {this.setState({popupByCodeDetail: res.data,});},});

泛化、实现、依赖和关联的区别

传统应用程序设计中所说的依赖一般指“类之间的关系”&#xff0c;那先让我们复习一下类之间的关系&#xff1a;a、实现表示类对接口的实现。UML图中实现使用一条带有空心三角箭头的虚线指向接口&#xff0c;如下&#xff1a; b、泛化表示类与类之间的继承关系、接口与接口之间…

目标检测学习笔记

看完吴恩达老师的 deeplearning.ai 课程目标检测这节课程的学习笔记。 文章目录1. 目标定位(object localization)2. 基于滑动窗口的目标检测算法滑动窗口的卷积实现Bounding Box预测&#xff08;Bounding box predictions&#xff09;交并比&#xff08;Intersection over uni…

win8中完成进度

public sealed partial class WorkItem : Page{private IAsyncAction _threadPoolWorkItem;private ManualResetEvent _sleep new ManualResetEvent(false);public WorkItem(){this.InitializeComponent();}// 在线程池中找一个线程去执行指定的方法&#xff0c;并指定其优先级…