【深度学习】神经网络可视化工具，超全汇总！
神经网络可视化是指通过图形化的方式展示神经网络的结构、参数、输入、输出、中间结果等信息，可以帮助用户更好地神经网络的内部工作原理和特征提取过程，以优化神经网络模型。扩展阅读：神经网络学习到的是什么？ 机器学习可视化技术概览(Python)
本文汇总了全网最为全面的26款神经网络可视化工具，可以帮助大家了解神经网络的结构组成、工作原理和性能表现，从而更好地进行模型调整和优化。也可以画出酷炫的模型图方便模型的展示。具体如下：
1. Net2Vis：是一款自动从Keras代码生成卷积神经网络的抽象可视化的工具。
地址：https://github.com/viscom-ulm/Net2Vis
# You can freely modify this file.
# However, you need to have a function that is named get_model and returns a Keras Model.
import json
import sys
import os
from keras.models import Sequential
from keras.layers import Conv2D, Dense, Dropout, Flatten, MaxPooling2D, AveragePooling2D
def get_model():
num_classes = 25
model = Sequential()
model.add(Conv2D(filters=6, kernel_size=(3, 3), activation='relu', padding="same", input_shape=(32,32,1)))
model.add(AveragePooling2D())
model.add(Conv2D(filters=16, kernel_size=(3, 3), activation='relu',padding="same"))
model.add(AveragePooling2D())
model.add(Flatten())
model.add(Dense(units=120, activation='relu'))
model.add(Dense(units=84, activation='relu'))
model.add(Dense(units=num_classes, activation = 'softmax'))
model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])
return model
效果如下：
2. Visualkeras：是一个Python包，用于帮助可视化Keras（独立或包含在TensorFlow中）神经网络架构。它允许轻松地进行样式设置以适应大多数需求。目前，它支持分层样式架构生成，非常适合CNN（卷积神经网络），以及图形样式架构。
地址：https://github.com/paulgavrikov/visualkeras
效果如下：
import visualkerasmodel = ...visualkeras.layered_view(model).show() # display using your system viewervisualkeras.layered_view(model, to_file='output.png') # write to diskvisualkeras.layered_view(model, to_file='output.png').show() # write and showvisualkeras.layered_view(model)
3. draw_convnet：是一个用于绘制卷积神经网络结构图的Python脚本。它可以帮助您可视化卷积神经网络的结构，包括卷积层、池化层、全连接层等。该脚本是由GitHub用户gwding开发的，是一个开源项目，可以在GitHub上找到其源代码和使用说明。
地址：https://github.com/gwding/draw_convnet
效果如下：
4. NN-SVG：有FCNN、AlexNet、LeNet三种类型。
地址：http://alexlenail.me/NN-SVG/AlexNet.html
FCNN 类型
AlexNet 类型
LeNet 类型：
5. PlotNeuralNet：用于绘制报告和演示文稿中的神经网络的LaTeX代码。查看示例可以了解它们的制作方式。
地址：https://github.com/HarisIqbal88/PlotNeuralNet
效果如下：
6. TensorBoard：Graphs仪表板是用于检查TensorFlow模型的强大工具。
地址：https://www.tensorflow.org/tensorboard?hl=zh-cn
效果如下：
7. Caffe：可以使用caffe/draw.py来绘制NetParameter protobuffer。
地址：https://github.com/BVLC/caffe
效果如下：
8. Matlab
地址：https://www.mathworks.com/?s_tid=gn_logo
效果如下：
9. Keras.js
地址：https://transcranial.github.io/keras-js/#/
效果如下：
10. keras-sequential-ascii：用于研究序列模型的架构和参数的Keras库
地址：https://github.com/stared/keras-sequential-ascii/
VGG 16 的网络结构如下：
11. Netron：可以可视化神经网络、深度学习和机器学习模型。Netron支持ONNX、TensorFlow Lite、Core ML、Keras、Caffe、Darknet、MXNet、PaddlePaddle、ncnn、MNN和TensorFlow.js。还支持实验性的PyTorch、TorchScript、TensorFlow、OpenVINO、RKNN、MediaPipe、ML.NET和scikit-learn。
地址：https://github.com/lutzroeder/Netron
效果如下：
12. DotNet：这是一个简单的Python脚本，用于使用Python和Graphviz生成前馈神经网络的图片。
地址：https://github.com/martisak/dotnets
效果如下：
13.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。
地址：https://www.graphviz.org/
效果如下：
14. Keras Visualization：keras.utils.vis_utils模块提供了绘制Keras模型（使用graphviz）的实用函数。
地址：https://keras.io/api/utils/model_plotting_utils/
效果如下：
15. Conx：Python第三方库 conx 可以使用 net.picture() 函数来实现具有激活函数网络的可视化，以生成SVG、PNG或PIL。
地址：https://conx.readthedocs.io/en/latest/index.html
效果如下：
16. ENNUI：致力于开发拖拽式神经网络可视化工具。
地址：https://math.mit.edu/ennui/
以下是一个LeNet-like 架构的可视化示例：
17. NNet
教程：https://beckmw.wordpress.com
R工具包示例及效果：
data(infert, package="datasets")
plot(neuralnet(case~parity+induced+spontaneous, infert))
18. 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。
地址：https://www.graphcore.ai/posts/
下面展示了两个网络结构的可视化效果：
AlexNet
ResNet50
19. 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。神经网络运行不需要固定的结构。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
地址：https://wagenaartje.github.io/neataptic/
效果如下：
20. TensorSpace：是一个由TensorFlow.js、Three.js和Tween.js构建的神经网络3D可视化框架。它提供Layer API以构建深度学习层、加载预训练模型，并在浏览器中生成3D可视化。通过它的API接口，可以更直观地可视化并理解任何由TensorFlow、Keras、TensorFlow.js等构建的预训练模型。
地址：https://tensorspace.org/index_zh.html
效果如下：
21. Netscope CNN Analyzer：一个基于网络的工具，用于可视化和分析卷积神经网络架构（或者从技术角度讲，任何有向无环图）。目前支持Caffe的prototxt格式。
地址：http://dgschwend.github.io/netscope/quickstart.html
效果如下：
22. Monial：计算图的交互式表示法，左边是输入，右侧就是对应结构的可视化结果。
地址：https://github.com/mlajtos/moniel
效果如下：
23. Texample：可以通过 LaTex 来实现一个神经网络结构的可视化。
地址：https://texample.net/tikz/examples/neural-network/
LaTex 示例及效果图如下：
\documentclass{article}
\usepackage{tikz}
\begin{document}
\pagestyle{empty}
\def\layersep{2.5cm}
\begin{tikzpicture}[shorten >=1pt,->,draw=black!50, node distance=\layersep]
\tikzstyle{every pin edge}=[<-,shorten <=1pt]
\tikzstyle{neuron}=[circle,fill=black!25,minimum size=17pt,inner sep=0pt]
\tikzstyle{input neuron}=[neuron, fill=green!50];
\tikzstyle{output neuron}=[neuron, fill=red!50];
\tikzstyle{hidden neuron}=[neuron, fill=blue!50];
\tikzstyle{annot} = [text width=4em, text centered]
% Draw the input layer nodes
\foreach \name / \y in {1,...,4}
% This is the same as writing \foreach \name / \y in {1/1,2/2,3/3,4/4}
\node[input neuron, pin=left:Input \#\y] (I-\name) at (0,-\y) {};
% Draw the hidden layer nodes
\foreach \name / \y in {1,...,5}
\path[yshift=0.5cm]
node[hidden neuron] (H-\name) at (\layersep,-\y cm) {};
% Draw the output layer node
\node[output neuron,pin={[pin edge={->}]right:Output}, right of=H-3] (O) {};
% Connect every node in the input layer with every node in the
% hidden layer.
\foreach \source in {1,...,4}
\foreach \dest in {1,...,5}
\path (I-\source) edge (H-\dest);
% Connect every node in the hidden layer with the output layer
\foreach \source in {1,...,5}
\path (H-\source) edge (O);
% Annotate the layers
\node[annot,above of=H-1, node distance=1cm] (hl) {Hidden layer};
\node[annot,left of=hl] {Input layer};
\node[annot,right of=hl] {Output layer};
\end{tikzpicture}
% End of code
\end{document}
24. Quiver：Keras 的一款交互式卷积神经网络特征可视化的一个工具。
地址：https://github.com/keplr-io/quiver
效果如下：
25. cnn-explainer：通过加载预训练模型以进行CNN可视化，只需要浏览器就可了解CNN的预测过程！
地址：https://poloclub.github.io/cnn-explainer/
效果如下：
26. ML Visuals ：包含神经网络的图形和模板，可以重复使用和自定义用于神经网络结构的展示。
地址：https://github.com/dair-ai/ml-visuals
效果如下：
往期精彩回顾
适合初学者入门人工智能的路线及资料下载
(图文+视频)机器学习入门系列下载
机器学习及深度学习笔记等资料打印
《统计学习方法》的代码复现专辑
交流群
欢迎加入机器学习爱好者微信群一起和同行交流，目前有机器学习交流群、博士群、博士申报交流、CV、NLP等微信群，请扫描下面的微信号加群，备注：”昵称-学校/公司-研究方向“，例如：”张小明-浙大-CV“。请按照格式备注，否则不予通过。添加成功后会根据研究方向邀请进入相关微信群。请勿在群内发送广告，否则会请出群，谢谢理解~（也可以加入机器学习交流qq群772479961）