點擊上方“算法猿的成長“，關注公眾號，選擇加“星標“或“置頂”

總第 143 篇文章，本文大約 3000?字，閱讀大約需要?10?分鐘

前言

深度學習領域，最常見的就是各種網絡模型，那么在寫論文或者文章，介紹網絡模型的時候，最好的辦法當然就是展示代碼畫圖，今天介紹的 Github 項目，就是整理了 22 個設計和可視化網絡結構的工具，其地址如下：

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

22 款工具名稱分別是：

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

本文首發于我的知乎專欄：https://zhuanlan.zhihu.com/p/147462170

---

工具

1. draw_convnet

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

star 數量：1.7k+

這個工具最后一次更新是 2018 年的時候，一個 python 腳本來繪制卷積神經網絡的工具，效果如下所示：

2. NNSVG

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

這個工具有 3 種網絡結構風格，分別如下所示：

LeNet 類型：

AlexNet 類型

FCNN 類型

3. PlotNeuralNet

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

star 數量：8.2k+

這個工具是基于 Latex 代碼實現的用于繪制網絡結構，可以看看使用例子看看這些網絡結構圖是如何繪制出來的。

效果如下所示：

FCN-8FCN-32

安裝

這里給出在 Ubuntu 和 windows 兩個系統的安裝方式：

ubuntu 16.04

sudo apt-get install texlive-latex-extra

Ubuntu 18.04.2 是基于這個網站：https://gist.github.com/rain1024/98dd5e2c6c8c28f9ea9d，安裝命令如下：

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

首先下載并安裝 MikTex，下載網站：https://miktex.org/download

其次，下載并安裝 windows 的 bash 運行器，推薦這兩個：

• Git：https://git-scm.com/download/win

• Cygwin：https://www.cygwin.com/

使用例子

安裝完后就是使用，按照如下所示即可：

cd pyexamples/ bash ../tikzmake.sh test_simple

Python 的用法如下：

先創建新的文件夾，并生成一個新的 python 代碼文件：

$ mkdir my_project $ cd my_project vim my_arch.py

然后在新的代碼文件 my_arch.py 中添加這段代碼，用于定義你的網絡結構，主要是不同類型網絡層的參數，包括輸入輸出數量、卷積核數量等

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()

最后，運行腳本

bash?../tikzmake.sh?my_arch

4. TensorBoard

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

使用過 TensorFlow 的都應該知道這個繪圖工具，TensorFlow 的可視化工具，查看網絡結構、損失的變化、準確率等指標的變化情況等。

網絡結構的效果如下圖所示：

5. Caffe

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

Caffe 的繪圖工具，效果如下所示：

6. Matlab

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

Matlab 的繪圖工具，效果如下所示：

7. Keras.js

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

Keras 的可視化工具，效果如下所示：

8. keras-sequential-ascii

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

Keras 的一個第三方庫，用于對序列模型的網絡結構和參數進行檢查，直接打印出來結果，比如，VGG 16 的網絡結構如下所示，每層網絡的參數維度，參數的數量以及占整個網絡參數的比例都會展示出來：

安裝

通過 PyPI：

pip install keras_sequential_ascii

直接通過 github 倉庫：

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

使用例子

在代碼中添加：

from?keras_sequential_ascii?import?keras2asciikeras2ascii(model)

9. Netron

https://github.com/lutzroeder/Netron

Star 數量：9.7k+

簡介

Netron 可以可視化神經網絡，深度學習和機器學習模型，目前支持的網絡框架包括：

• 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 也有實驗支持這些框架:

• 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：

安裝

安裝方式，根據不同系統，有所不一樣：

macOS

兩種方式，任選一種：

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

運行命令 brew cask install netron

Linux

也是兩種方式，任選其中一種：

下載 .AppImage 文件，下載地址：https://github.com/lutzroeder/netron/releases/latest

運行命令 snap install netron

Windows

也是兩種方式，任選其中一種：

下載 .exe 文件，下載地址：https://github.com/lutzroeder/netron/releases/latest

運行命令 winget install netron

瀏覽器：瀏覽器運行地址：https://www.lutzroeder.com/ai/netron

Python 服務器：

首先，運行安裝命令 pip install netron，然后使用方法有兩種：

• 命令行，運行 netron [文件路徑]

• .py 代碼中加入

import netron;netron.start('文件路徑')

10. DotNet

https://github.com/martisak/dotnets

這個工具是一個簡單的 python 腳本，利用 Graphviz 生成神經網絡的圖片。主要參考了文章：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 是一個開源的圖可視化軟件，它可以用抽象的圖形和網絡圖來表示結構化信息。

其效果如下所示：

12. Keras Visualization

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

這是 Keras 庫中的一個功能模塊-- keras.utils.vis_utils 提供的繪制 Keras 網絡模型（使用的是 graphviz ）

其效果如下所示：

13. Conx

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

Python 的一個第三方庫 conx 可以通過函數net.picture() 來實現對帶有激活函數網絡的可視化，可以輸出圖片格式包括 SVG, PNG 或者是 PIL。

其效果如下所示：

14. ENNUI

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

通過拖和拽相應的圖形框來實現一個網絡結構的可視化，下面是一個可視化 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，簡單的使用例子如下：

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 主要是展示神經網絡中操作的可視化結果，但也包括了網絡結構的內容，比如每層的網絡參數等。

下面展示了兩個網絡結構的可視化效果--AlexNet 和 ResNet50.

AlexNet

ResNet50

17. Neataptic

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

Neataptic 提供了非常靈活的神經網絡可視化形式

• 神經元和突觸可以通過一行代碼進行刪除；

• 沒有規定神經網絡的結構必須包含哪些內容

這種靈活性允許通過神經進化（neuro-evolution）的方式為數據集調整網絡結構的形狀，并通過多線程來實現。

其效果如下圖所示：

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 是通過 TensorFlow.js，Three.js 和 Tween.js 構建的一個神經網絡三維可視化框架。它提供了 APIs 來構建深度學習網絡層，加載預訓練模型以及在瀏覽器中就可以生成三維的可視化結構。通過應用它的 API 接口，可以更直觀地可視化和理解通過 TensorFlow、Keras 和 TensorFlow.js 等構建的任何預訓練模型。

效果如下圖所示：

19. Netscope CNN Analyzer

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

一款基于 web 端的可視化和分析卷積神經網絡結構（或者是任意有向無環圖），當前支持使用 Caffe 的 prototxt 形式。

效果如下圖所示：

20. Monial

https://github.com/mlajtos/moniel

計算圖的交互式表示法，展示例子如下所示，左邊是輸入，右側就是對應結構的可視化結果。

21. Texample

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

這個工具也可以通過 LaTex 來實現一個神經網絡結構的可視化，比如，一個 LaTex 的例子：

其可視化結果如下所示：

22. Quiver

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

Star 數量：1.5k

Keras 的一款交互式可視化卷積特征的一個工具

展示例子如下所示：

安裝方式

兩種方式，直接用 pip

pip install quiver_engine

或者通過 GitHub 倉庫的方式：

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

使用例子

首先構建你的 keras 模型：

model?=?Model(...)

接著通過一行代碼來發布可視化的展示板：

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

最后在剛剛設置的文件夾中就可以看到每個網絡層的可視化結果。

如果是想在瀏覽器中查看，代碼如下：

from?quiver_engine?import?server server.launch(model)

默認的地址是 localhost:5000

---

參考文章：

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

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

---

小結

這 22 款工具的輸出結果既有直接打印的，也有黑白圖、彩色圖、炫酷的球體可視化結果，以及三維可視化結果，基本都可以支持目前主流的深度學習框架，當然也有的是基于特定框架，比如 keras，實現的對應第三方庫。

可以根據需求和使用的框架來進行選擇，相信應該能夠滿足大部分人對可視化網絡結構的需求。

可以點擊文章底部“閱讀原文”直接查看我的知乎文章，可以留言進行評論。

---

精選AI文章

1.??2020年計算機視覺學習指南

2.?是選擇Keras還是PyTorch開始你的深度學習之旅呢？

3.?編寫高效的PyTorch代碼技巧（上）

4.?編寫高效的PyTorch代碼技巧（下）

5.?深度學習算法簡要綜述(上)

6.?深度學習算法簡要綜述(下)

7.?10個實用的機器學習建議

8.?實戰|手把手教你訓練一個基于Keras的多標簽圖像分類器

精選python文章

1.??python數據模型

2.?python版代碼整潔之道

3.?快速入門 Jupyter notebook

4.?Jupyter 進階教程

5.?10個高效的pandas技巧

精選教程資源文章

1.?[資源分享] TensorFlow 官方中文版教程來了

2.?[資源]推薦一些Python書籍和教程，入門和進階的都有！

3.?[Github項目推薦] 推薦三個助你更好利用Github的工具

4.?Github上的各大高校資料以及國外公開課視頻

5.?GitHub上有哪些比較好的計算機視覺/機器視覺的項目？

歡迎關注我的微信公眾號--算法猿的成長，或者掃描下方的二維碼，大家一起交流，學習和進步！

?

如果覺得不錯，在看、轉發就是對小編的一個支持！

總結

以上是生活随笔為你收集整理的22 款设计和可视化神经网络的工具的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。