深度学习网络结构图绘制工具及方法
目录
ML VisualNN-SVGPlotNeuralNetConvNetDrawDraw_ConvnetNetscope这些软件都是只能作为模型图的辅助，更常见的模型组合型的图还是要ppt来画了，或许还有visio。来自：https://www.csdn.net/tags/MtjaggysMjg5NzktYmxvZwO0O0OO0O0O.html
ML Visual 地址：GitHub - dair-ai/ml-visuals: 🎨 ML Visuals contains figures and templates which you can reuse and customize to improve your scientific writing. 谷歌链接：https://docs.google.com/presentation/d/11mR1nkIR9fbHegFkcFq8z9oDQ5sjv8E3JJp1LfLGKuk/edit#slide=id.gd7a8f690c7_22_0 内容介绍：提供一份32页的PPT模型图素材，可以直接使用画出你要的机器学习深度学习模型图
NN-SVG github地址：https://github.com/zfrenchee 画图工具体验地址：NN SVG 内容介绍：
画节点形式网络介绍二维、三维平铺式的模型PlotNeuralNet 地址：https://link.zhihu.com/?target=https%3A//github.com/HarisIqbal88/PlotNeuralNet 缺点：用LaTex语言编辑
ConvNetDraw 地点：https://cbovar.github.io/ConvNetDraw/ 内容介绍：画的是方块形的模型（标注节点数那种） 缺点：目标分辨率太低了
Draw_Convnet 地址：GitHub - gwding/draw_convnet 内容介绍：使用python程序直接作图
Netscope 地址：https://link.zhihu.com/?target=https%3A//github.com/ethereon/netscope 内容介绍：caffe的网络结构可视化工具
推荐5款好用的深度学习框架绘制工具https://zhuanlan.zhihu.com/p/531619117?utm_id=0
1.Diagram
亮点：diagrams.net （以前称为draw.io）是一个免费的拖放式在线图表工具，使用无代码 http://diagrams.net 工具通过图表可视化绘制深度学习模型，允许用户创建流程图、生成网络和实体关系 (ER) 图，甚至设计数据库模式。包括其易用性以及与 GitHub、OneDrive 和 Google Drive 等常见平台的无缝集成
面板
使用教程：diagrams画图保姆级教程_哔哩哔哩_bilibili
2.Inkscape
亮点：基于免费矢量的图像编辑器，Inkscape 是可以安装在 Apple、Windows 或 GNU/Linux 设备上的专用软件。 由于它允许设计的图表数量，从地图到徽标，初学者和专家的选择。
chrisolah 大佬用来描述 LSTM
使用教程：Inkscape使用教程_哔哩哔哩_bilibili
3.PlotNeuralNet
亮点：脚本化，使用LaTex编写或者使用Python脚本编写结构模型，自由度高(直接网络结构代码生成可视化图，真香)。很多论文的插图就是使用这个工具可视化的。
代码2-unet.py
import sys
sys.path.append('../')
from pycore.tikzeng import *
from pycore.blocks import *
arch = [
# 开头
to_head('..'),
to_cor(),
to_begin(),
# 添加输入层
to_input( '../examples/fcn8s/cats.jpg' ),
# 添加block1包含一个二重卷积接relu
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),
# 添加三个block，每个包含三个二卷积加一池化
*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 ),
# 瓶颈，为block5
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"),
# 解码器
# 多个block，每个为unconv
*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"),
# 结束
to_end()
]
def main():
namefile = str(sys.argv[0]).split('.')[0]
to_generate(arch, namefile + '.tex' )
if __name__ == '__main__':
main()
运行：python 2-unet.py 即可生成：
u-net网络结构
使用教程：使用PlotNeuralNet绘制深度学习网络图
4.PPT
亮点：上手快，便于操作
ppt画图
使用教程：ppt画深度学习网络图_哔哩哔哩
5.Visio
亮点：Visio更适合新手上手，绘制复杂项目的流程图和线框，因为更赞的模板；更丰富的共享组件、布局；更便利的多人协作（利用library）
Visio画图
使用教程：用Visio绘制神经网络结构图_哔哩哔哩