LiuFG / PlotNeuralNet

包含PlotNeuralNet绘制神经网络结构图的教程源码

Geek Repo:Geek Repo

Github PK Tool:Github PK Tool

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。
  • 常见工具
    • NN SVG
      • 官方地址
      • 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。
      • 特点
        • 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
        • 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。
        • 各层连接不是很好看。
    • ConvNetDraw
      • 官方地址
      • 从未使用过,很多博主推荐,但是观感劝退了我。
      • 特点
        • 脚本化控制
        • 尺度自定义
        • 直观
      • 缺点
        • 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
      • 官方地址
      • FCN-8效果图
      • 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。
      • 特点
        • 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。
      • 缺点
        • 无交互界面,上手略有难度。
  • 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Linux的Ubuntu)
      • 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。
    • 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。
        • wget https://mirrors.tuna.tsinghua.edu.cn/CTAN/systems/texlive/Images/texlive2019.iso
          • 上面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Web中查看合适文件下载即可。
        • 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
      • 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
      • 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
        • cd到pyexamples目录执行bash ../tikzmake.sh test_simple注意不加py后缀,且有些错误正常,观察是否生成pdf文件即可
        •   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conv1
                to_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pool1
                to_Pool("pool1", offset="(0,0,0)", to="(conv1-east)"),
                # 池化层pool1东侧添加卷积层conv2
                to_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pool2
                to_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()
            
        • 执行结果
      • 代码2-unet.py
        •   
            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relu
                to_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block5
                to_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()
                
      • 执行结果
  • 补充说明
    • 封装的各类层函数都在tikzeng.py文件中。
    • 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。

About

包含PlotNeuralNet绘制神经网络结构图的教程源码


Languages

Language:TeX 84.2%Language:Python 15.7%Language:Shell 0.1%