神經網路繪圖篇！本次為大家介紹的是神經網路的視覺化工具和繪圖軟體。在搭建神經網路以及後期論文寫作時，視覺化的神經網路模型將在很大程度上幫助我們直觀地理解模型結構和資料的流動。除了大家常用的 PPT+AI+PS 之外，小助手也為大家整理了Github 上各路大神開發的繪圖軟體資訊。
神經網路繪圖軟體最新彙總
提供 三種典型 的神經網路繪圖風格，個性化引數多 互動式繪圖
基於tikz的tex的巨集指令繪製 繪製指令碼繁雜
底層基於tikz的tex的巨集指令繪製 上層提供基於python的描述框架，繪製指令碼簡單 可繪製複雜的網路結構
基於javascript和css繪製 僅支援基本Layer型別
簡單易用 底層基於matplotlib繪製
基於Haskell語言
計算圖
支援工具: ONNX, Keras, CoreML, Caffe2, MXNet, TensorFlow Lite, Caffe, PyTorch, Torch, CNTK, PaddlePaddle, Darknet, scikit-learn, TensorFlow.js, TensorFlow. 提供執行方式: 瀏覽器, Python Server; macOS, Linux, Windows
caffe自帶的畫圖工具
非常易用 僅支援網頁版
基於Netscope二次開發 給出網路的各種計算操作次數（非常方便！）
其子工具提供了模型視覺化的功能
其子工具提供了模型視覺化的功能
Github 地址：
https://github.com/alexlenail/NN-SVG 畫圖工具體驗地址：
http://alexlenail.me/NN-SVG/
Github 地址：
https://lutzroeder.github.io/netron/
PlotNeuralNet的使用方法非常簡單，將專案克隆下來之後，想用什麼結構，就從PlotNeural裡找對應的模組，然後將它們拼接起來就好了，好比UNet：import sys sys.path.append('../') from core.tikzeng import *from core.blocks import * arch = [ to_head('..'), to_cor(), to_begin(), #input to_input( '../examples/fcn8s/cats.jpg' ), #block-001 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), *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 ), #Bottleneck #block-005 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"), #Decoder *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"), to_end() ] def main(): namefile = str(sys.argv[0]).split('.')[0] to_generate(arch, namefile + '.tex' ) if __name__ == '__main__': main()
Github 地址：
https://lutzroeder.github.io/netron/ 畫圖工具體驗地址：
https://www.lutzroeder.com/ai/netron/
在使用方面，你可以直接訪問網頁端，上傳模型檔案，就可以看到網路結構圖，並可以進一步利用pip安裝並引入到程式中通過瀏覽器檢視模型的變化。
如果你想追求個性化設定，可以在Github上下載原始碼修改相應的設定。如埠後的修改可以在src/__init__.py中修改，字型顏色可以在src/view-grapher.css中修改。效果如下圖所示：
