卷积神经网络结构可视化工具PlotNeuralNet

0. 效果展示

这是GitHub项目地址
偷了几张项目中的展示图感受下，要是喜欢这个风格，就继续往下看：

1. 使用

该项目我只在Ubuntu18成功运行过，Windows试过没有成功。

1.1 克隆项目到本地

1.2 安装相关

• ubuntu 16.04
  sudo apt-get install texlive-latex-extra
• ubuntu 18.04
  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

1.3 测试

进入pyexamples文件夹，这里存放了测试程序
然后运行测试程序

cd pyexamples/                  
bash ../tikzmake.sh test_simple

程序成功运行后，会自动弹出PDF展示，在pyexamples生产一个"test_simple.pdf"文件

1.4 绘制自己的网络结构

1. 在PlotNeuralNet-master文件夹(项目根目录)创建my_project文件夹，并进入该文件夹:

mkdir my_project
cd my_project

2. 创建并编辑my_arch.py（这一步就是创建文件写入代码，用什么其实无所谓）

vim my_arch.py

3. 写入以下代码

import sys
sys.path.append('../')
from pycore.tikzeng import *

# defined your arch
arch = [
    to_head( '..' ),
    to_cor(),
    to_begin(),
   
   # 这里才构建自己的网络结构
    to_Conv("input", 48,1, offset="(0,0,0)", to="(0,0,0)", height=48, depth=48, width=1,caption="input"),
    to_Conv("conv1", 48,64, offset="(3,0,0)", to="(input-east)", height=48, depth=48, width=3 ,caption="Conv"),
    to_Conv("conv2", 48,64, offset="(0.5,0,0)", to="(conv1-east)", height=48, depth=48, width=3 ,caption="Conv"),
    to_Pool("pool3", offset="(0.5,0,0)",height=24, depth=24, width=3 , to="(conv2-east)",caption="Pool"),
    to_Conv("conv7", 12,256, offset="(2,0,0)", to="(pool3-east)", height=12, depth=12, width=12 ,caption="Conv"),
    to_Conv("conv8", 12,256, offset="(0.5,0,0)", to="(conv7-east)", height=12, depth=12, width=12 ,caption="Conv"),
    to_Pool("pool9", offset="(0.5,0,0)",height=6, depth=6, width=12 , to="(conv8-east)",caption="Pool"),

    to_SoftMax("soft1", 7 ,"(2,0,0)", "(pool9-east)", caption="FC"  ),
    to_SoftMax("soft2", 7 ,"(2,0,0)", "(soft1-east)", caption="FC"  ),

	to_connection( "pool3", "conv7"), 
	to_connection( "pool9", "soft1"), 
	to_connection( "soft1", "soft2"), 
	# 至此结束
	
    to_end()
    ]

def main():
    namefile = str(sys.argv[0]).split('.')[0]
    to_generate(arch, namefile + '.tex' )

if __name__ == '__main__':
    main()

to_Conv("conv1", 48,64, offset="(3,0,0)", to="(input-east)", height=48, depth=48, width=3 ,caption="Conv"),

• “conv1”:该层的独特名字。每层都有一个不重复的名字，不会显示
• 48：该层要显示出来的特征图尺寸
• 64：该层要显示出来的通道数
• offset="(3,0,0)"：相对位置偏移，是相对于to参数指定的层。这里表示相对input层移动3个单位
• to="(input-east)"：表示该层是相对于input的东侧位置
• height=48, depth=48, width=3：表示该层在图中的尺寸大小，将影响图的大小
• caption=“Conv”：表示该层展示的名字

to_Pool("pool3", offset="(0.5,0,0)",height=24, depth=24, width=3 , to="(conv2-east)",caption="Pool"),

• Pool层没有特征图尺寸和通道数，其他同上

to_connection( "pool3", "conv7"),

• 该函数将会在指定的两层创建一个指向箭头

绘制的网络结构图：

1.5 运行代码

使用以下命令运行，成功后会产生pdf文件，并自动打开pdf展示；失败则会卡在命令行中，无反应；

bash ../tikzmake.sh my_arch

2. 扩展

更多的层函数封装在pycore/tikzeng.py文件中，examples文件夹中也有网络样例，在github项目中也有更多的信息。