【论文神器】——卷积神经网络可视化工具

一、PlotNeuralNet

Windows版本。

1.安装MikTex

MikTex官网下载好后点下一步就行。

2.下载PlotNeuralNet

GiuHub上的PlotNeuralNet项目，下载到本地后，先运行pyexamples文件夹下的示例文件unet.py，成功运行的话说明本地python环境是OK的。

3.绘制自己的神经网络图

详细步骤如下：
3.1 仿照示例文件，如test_simpl.py的代码，新建一个test.py文件，根据自己的网络结构，对arch中的参数进行修改。
3.2 运行新建的test.py文件，会生成一个新的的test.tex文件，如下图：
3.3 打开安装好的TexWorks，windows可以直接在左下角搜索tex：
3.4 拖动生成的.tex文件到TexWorks软件中，然后点击绿色的运行箭头，就会生成一个绘制好网络结构的PDF文件。
注：pytorch可以用torchsummary来print显示网络结构和参数，每一层的输出维度、所需参数量都有，非常详细。
其中arch的参数注释如下：

1) 卷积层

注意一下，s_filer，n_filer指的是你在图中标注的尺寸大小，width,height, depth指的是在图中图形显示的实际厚、长与深度（宽）。
to_Conv(name,s_filer=256,n_filer=64,offset=“(0,0,0)”,to=“(0,0,0)”,width=1,height=40, depth=40, caption=" ")

name--名称
s_filer--卷积层图像尺寸
n_filer--卷积层图像深度(通道数)
s_filer、n_filer指卷积层结构的参数,并非制图时的尺寸
offset--与前一层分别在x,y,z方向的距离
to--在x,y,z方向的坐标，
offset、to的在后面会深入讲，你可以自己该不同的值试验一下，找规律
width--制图时的厚度
height、depth--制图时的长宽
width、height、depth指在制图时,卷积层的尺寸
caption--备注信息

示例：
to_Conv(“conv1”, 512, 64, offset=“(0,0,0)”, to=“(0,0,0)”, height=64, depth=64, width=32 )

4.优缺点

优点：直观、立体，安装、操作非常简单。
缺点：需要自己修改网络参数，如果网络结构很庞大的话，会比较耗时。