22 款神经网络的设计和可视化工具
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，其中我用的文章封面图就是第 16 款工具实现的结果，非常的炫酷和让人眼前一亮：
- 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
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 。
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：
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-extraUbuntu 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-extraWindows
- 首先下载并安装 MikTex，下载网站：https://miktex.org/download
- 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_simplePython 的用法如下：
- 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- 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()
- 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 keras2ascii
keras2ascii(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 - http://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：
- 下载
.dmg文件，地址：https://github.com/lutzroeder/netron/releases/latest - 运行命令
brew cask install netron
Linux
也是两种方式，任选其中一种：
- 下载
.AppImage文件，下载地址：https://github.com/lutzroeder/netron/releases/latest - 运行命令
snap install netron
Windows
也是两种方式，任选其中一种：
- 下载
.exe文件，下载地址：https://github.com/lutzroeder/netron/releases/latest - 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：
- 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。