卷积神经网络结构可视化

简介

本文介绍的工具是针对卷积神经网络示意图可视化的，不包括算图。（示意图一般出现在论文中）常见的卷积神经网络示意图绘制工具不少，常用的主要有NN SVG、ConvNetDraw、PlotNeuralNet等。写这篇重点介绍PlotNeuralNet的教程的原因是国内关于它的教程很少并且大都只是列举了官方demo。个人觉得PlotNeuralNet是很好看、可定制程度高的卷积神经网络可视化工具。

常见工具

NN SVG

这是我过去一段时间内比较喜欢用的，特点是很方便，提供给用户的是个交互式的Web页面。可以访问官方地址使用该工具，网站首页截图如下。

该工具的主要特点如下。

方便，各层直接界面控制增减及变化。
支持三种风格，选择空间大。
支持SVG格式下载。

缺点如下

可视化界面的最大问题就是很多用户期待的功能为考虑全面，定制程度低。
各层连接不是很美观。

ConvNetDraw

我从未使用过，很多博主推荐，但是观感劝退了我。其官方地址可以访问使用，首页截图如下。

特点如下。

脚本化控制
尺度自定义
直观

缺点如下。

既没有做到脚本化的自由度，又没有做到交互界面的观感。
不好看。

PlotNeuralNet

可以访问其Github官方地址下载该工具。

下面呈现的是前馈网络的示意图。

这是我极力推荐的工具，尽管它的上手难度略高于之前两个，但学会之后很好用，不少论文就是使用这个工具可视化的。

其主要特点如下。

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。

使用教程

说明

基于Linux或者有bash的环境，我只在Ubuntu系统下测试成功。（事实上，深度学习首选的环境之一就是Ubuntu。）这里只介绍Python脚本绘制的方式，不介绍LaTex方式。需要安装前置软件，如LaTex解析器（推荐安装texlive。）。

前置准备

安装textlive

调用LaTex解析生成PDF，需要安装LaTex，这里使用TextLive。可以使用清华的镜像源下载，Linux环境下执行下面的命令即可。该命令为下载镜像到当前目录，失败则可能换源，去掉上述链接的最后文件，在浏览器中查看合适文件下载即可。
wget https://mirrors.tuna.tsinghua.edu.cn/CTAN/systems/texlive/Images/texlive2019.iso

其他相关软件包安装

sudo apt-get install perl-tk
- 安装图形界面
sudo mount -o loop texlive.iso /mnt
- 挂载镜像
cd /mnt
- 切换到挂载目录
sudo ./install-tl -gui
- 使用图形界面安装
sudo apt-get install texlive-latex-extra
- 安装扩展包

下载源码

使用Git将源码仓库clone到本地，命令如下。

git clone https://github.com/HarisIqbal88/PlotNeuralNet.git

源码目录结构

其中pycore下的tikzeng.py是核心文件，定义了绘图过程（所有to开头的函数），可以绘制的层，py脚本向LaTex的转换。代码比较易懂，这里不做解析了。

绘制图形

一般将自己写的py脚本放在clone的项目的pyexamples目录下。源目录下有两个py脚本，对其进行详细注释，包含了常用的语法。

代码1-test_simple.py

通过cd到pyexamples目录执行bash ../tikzmake.sh test_simple（注意不加py后缀，且有些错误或者警告正常，观察是否生成pdf文件即可。）具体代码如下。

import sys
sys.path.append('../')  # 添加自定义库的目录
from pycore.tikzeng import *  #  导入自定义库# defined your arch
arch = [# 添加头to_head( '..' ),to_cor(),to_begin(),# 添加卷积层conv1to_Conv("conv1", 512, 64, offset="(0,0,0)", to="(0,0,0)", height=64, depth=64, width=2 ),# 卷积层conv1东侧添加池化层pool1to_Pool("pool1", offset="(0,0,0)", to="(conv1-east)"),# 池化层pool1东侧添加卷积层conv2to_Conv("conv2", 128, 64, offset="(1,0,0)", to="(pool1-east)", height=32, depth=32, width=2 ),# 建立pool1到conv2的连接箭头to_connection( "pool1", "conv2"), # conv2东侧添加pool2to_Pool("pool2", offset="(0,0,0)", to="(conv2-east)", height=28, depth=28, width=1),# pool1东侧添加softmax层但是偏移３单位to_SoftMax("soft1", 10 ,"(3,0,0)", "(pool1-east)", caption="SOFT"  ),# 建立pool2到soft1的连接箭头to_connection("pool2", "soft1"),    # 结束to_end()]def main():namefile = str(sys.argv[0]).split('.')[0]to_generate(arch, namefile + '.tex' )if __name__ == '__main__':main()

生成的PDF如下。

代码2-unet.py

具体代码如下。

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reluto_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block5to_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()

其执行结果如下图。

补充说明

封装的各类层函数都在tikzeng.py文件中，可以修改并使用。具体的代码和结果可以在我的Github找到，欢迎star或者fork。实际项目请按照官方项目更新为主。