22 款神经网络设计和可视化的工具大汇总

会员服务 ·

22 款神经网络设计和可视化的工具大汇总

2022 年 11 月 4 日 极市平台

↑ 点击蓝字关注极市平台

来源丨算法猿的成长

编辑丨极市平台

极市导读

深度学习领域，最常见的就是各种网络模型，那么在写论文或者文章，介绍网络模型的时候，最好的办法当然就是展示代码画图，本文整理了 22 个设计和可视化网络结构的工具，希望对大家有所帮助。 >>加入极市CV技术交流群，走在计算机视觉的最前沿

前言

深度学习领域，最常见的就是各种网络模型，那么在写论文或者文章，介绍网络模型的时候，最好的办法当然就是展示代码画图，今天介绍的 Github 项目，就是整理了 22 个设计和可视化网络结构的工具，其地址如下：
https://github.com/ashishpatel26/Tools-to-Design-or-Visualize-Architecture-of-Neural-Network

22 款工具名称分别是：

draw_convnet
NNSVG
PlotNeuralNet
TensorBoard
Caffe
Matlab
Keras.js
Keras-sequential-ascii
Netron
DotNet
Graphviz
Keras Visualization
Conx
ENNUI
NNet
GraphCore
Neataptic
TensorSpace
Netscope CNN Analyzer
Monial
Texample
Quiver

本文首发于我的知乎专栏：https://zhuanlan.zhihu.com/p/147462170

1. draw_convnet

Github: https://github.com/gwding/draw_convnetstar 数量：1.7k+这个工具最后一次更新是 2018 年的时候，一个 python 脚本来绘制卷积神经网络的工具，效果如下所示：

2. NNSVG

网址：http://alexlenail.me/NN-SVG/LeNet.html这个工具有 3 种网络结构风格，分别如下所示：LeNet 类型：

AlexNet 类型

FCNN 类型

3. PlotNeuralNet

GitHub 地址：https://github.com/HarisIqbal88/PlotNeuralNetstar 数量：8.2k+这个工具是基于 Latex 代码实现的用于绘制网络结构，可以看看使用例子看看这些网络结构图是如何绘制出来的。效果如下所示：

安装

这里给出在 Ubuntu 和 windows 两个系统的安装方式：ubuntu 16.04

sudo apt-get install texlive-latex-extra

Ubuntu 18.04.2 是基于这个网站：https://gist.github.com/rain1024/98dd5e2c6c8c28f9ea9d，安装命令如下：

sudo apt-get install texlive-latex-basesudo apt-get install texlive-fonts-recommendedsudo apt-get install texlive-fonts-extrasudo apt-get install texlive-latex-extra

Windows

首先下载并安装 MikTex，下载网站：https://miktex.org/download
其次，下载并安装 windows 的 bash 运行器，推荐这两个：

Git：https://git-scm.com/download/win
Cygwin：https://www.cygwin.com/

使用例子

安装完后就是使用，按照如下所示即可：

cd pyexamples/bash ../tikzmake.sh test_simple

Python 的用法如下：

先创建新的文件夹，并生成一个新的 python 代码文件：

$ mkdir my_project$ cd my_projectvim my_arch.py

然后在新的代码文件 `my_arch.py` 中添加这段代码，用于定义你的网络结构，主要是不同类型网络层的参数，包括输入输出数量、卷积核数量等

import syssys.path.append('../')from pycore.tikzeng import *# defined your archarch = [    to_head( '..' ),    to_cor(),    to_begin(),    to_Conv("conv1", 512, 64, offset="(0,0,0)", to="(0,0,0)", height=64, depth=64, width=2 ),    to_Pool("pool1", offset="(0,0,0)", to="(conv1-east)"),    to_Conv("conv2", 128, 64, offset="(1,0,0)", to="(pool1-east)", height=32, depth=32, width=2 ),    to_connection( "pool1", "conv2"),    to_Pool("pool2", offset="(0,0,0)", to="(conv2-east)", height=28, depth=28, width=1),    to_SoftMax("soft1", 10 ,"(3,0,0)", "(pool1-east)", caption="SOFT"  ),    to_connection("pool2", "soft1"),    to_end()    ]def main():    namefile = str(sys.argv[0]).split('.')[0]    to_generate(arch, namefile + '.tex' )if __name__ == '__main__':    main()

```
最后，运行脚本
```

bash ../tikzmake.sh my_arch

4. TensorBoard

https://www.tensorflow.org/tensorboard/graphs使用过 TensorFlow 的都应该知道这个绘图工具，TensorFlow 的可视化工具，查看网络结构、损失的变化、准确率等指标的变化情况等。网络结构的效果如下图所示：

5. Caffe

https://github.com/BVLC/caffe/blob/master/python/caffe/draw.pyCaffe 的绘图工具，效果如下所示：

6. Matlab

http://www.mathworks.com/help/nnet/ref/view.htmlMatlab 的绘图工具，效果如下所示：

7. Keras.js

https://transcranial.github.io/keras-js/#/inception-v3Keras 的可视化工具，效果如下所示：

8. keras-sequential-ascii

https://github.com/stared/keras-sequential-ascii/Keras 的一个第三方库，用于对序列模型的网络结构和参数进行检查，直接打印出来结果，比如，VGG 16 的网络结构如下所示，每层网络的参数维度，参数的数量以及占整个网络参数的比例都会展示出来：

安装

通过 PyPI：

pip install keras_sequential_ascii

直接通过 github 仓库：

pip install git+git://github.com/stared/keras-sequential-ascii.git

使用例子

在代码中添加：

from keras_sequential_ascii import keras2asciikeras2ascii(model)

9. Netron

https://github.com/lutzroeder/NetronStar 数量：9.7k+

简介

Netron 可以可视化神经网络，深度学习和机器学习模型，目前支持的网络框架包括：

ONNX: .onnx, .pb, .pbtxt 文件
Keras： .h5，.keras 文件
Core ML： .mlmodel
Caffe： .caffemodel, .prototxt
Caffe2： predict_net.pb, predict_net.pbtxt
Darknet: .cfg
MXNet： .model, -symbol.json
ncnn： .param
TensorFlow Lite： .tflite

另外，Netron 也有实验支持这些框架:

TorchScript: .pt, .pth
PyTorch： .pt, .pth
Torch: .t7
Arm NN： .armnn
Barracuda： .nn
BigDL .bigdl, .model
Chainer ： .npz, .h5
CNTK ： .model, .cntk
Deeplearning4j： .zip
MediaPipe： .pbtxt
ML.NET： .zip
MNN： .mnn
OpenVINO ： .xml
PaddlePaddle ： .zip, __model__
scikit-learn ： .pkl
Tengine ： .tmfile
TensorFlow.js ： model.json, .pb
TensorFlow ： .pb, .meta, .pbtxt, .ckpt, .index

其效果如下所示：

安装

安装方式，根据不同系统，有所不一样：macOS两种方式，任选一种：

下载 .dmg 文件，地址：https://github.com/lutzroeder/netron/releases/latest
运行命令 brew cask install netron

Linux也是两种方式，任选其中一种：

下载 .AppImage 文件，下载地址：https://github.com/lutzroeder/netron/releases/latest
运行命令 snap install netron

Windows也是两种方式，任选其中一种：

下载 .exe 文件，下载地址：https://github.com/lutzroeder/netron/releases/latest
运行命令 winget install netron

浏览器：浏览器运行地址：https://www.lutzroeder.com/ai/netronPython 服务器：首先，运行安装命令 pip install netron，然后使用方法有两种：

命令行，运行 netron [文件路径]
.py 代码中加入

import netron;netron.start('文件路径')

10. DotNet

https://github.com/martisak/dotnets这个工具是一个简单的 python 脚本，利用 Graphviz 生成神经网络的图片。主要参考了文章：https://tgmstat.wordpress.com/2013/06/12/draw-neural-network-diagrams-graphviz/用法如下：在 MaxOS 上：

python dotnets.py | dot -Tpng | open -f -a /Applications/Preview.app

或者生成 PDF 文件

python dotnets.py | dot -Tpdf > test.pdf

其效果如下所示：

11. Graphviz

http://www.graphviz.org/教程：https://tgmstat.wordpress.com/2013/06/12/draw-neural-network-diagrams-graphviz/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。其效果如下所示：

12. Keras Visualization

https://keras.io/api/utils/model_plotting_utils/这是 Keras 库中的一个功能模块-- keras.utils.vis_utils 提供的绘制 Keras 网络模型（使用的是 graphviz ）其效果如下所示：

13. Conx

https://conx.readthedocs.io/en/latest/index.htmlPython 的一个第三方库 conx 可以通过函数net.picture() 来实现对带有激活函数网络的可视化，可以输出图片格式包括 SVG, PNG 或者是 PIL。其效果如下所示：

14. ENNUI

https://math.mit.edu/ennui/通过拖和拽相应的图形框来实现一个网络结构的可视化，下面是一个可视化 LeNet 的例子：

15. NNet

教程：https://beckmw.wordpress.com/2013/03/04/visualizing-neural-networks-from-the-nnet-package/R 工具包，简单的使用例子如下：

data(infert, package="datasets")plot(neuralnet(case~parity+induced+spontaneous, infert))

效果如下所示：

16. GraphCore

https://www.graphcore.ai/posts/what-does-machine-learning-look-likeGraphCore 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。下面展示了两个网络结构的可视化效果--AlexNet 和 ResNet50.AlexNet

ResNet50

17. Neataptic

https://wagenaartje.github.io/neataptic/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；
没有规定神经网络的结构必须包含哪些内容

这种灵活性允许通过神经进化（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。其效果如下图所示：

18. TensorSpace

https://tensorspace.org/教程：https://www.freecodecamp.org/news/tensorspace-js-a-way-to-3d-visualize-neural-networks-in-browsers-2c0afd7648a8/TensorSpace 是通过 TensorFlow.js，Three.js 和 Tween.js 构建的一个神经网络三维可视化框架。它提供了 APIs 来构建深度学习网络层，加载预训练模型以及在浏览器中就可以生成三维的可视化结构。通过应用它的 API 接口，可以更直观地可视化和理解通过 TensorFlow、Keras 和 TensorFlow.js 等构建的任何预训练模型。效果如下图所示：

19. Netscope CNN Analyzer

http://dgschwend.github.io/netscope/quickstart.html一款基于 web 端的可视化和分析卷积神经网络结构（或者是任意有向无环图），当前支持使用 Caffe 的 prototxt 形式。效果如下图所示：

20. Monial

https://github.com/mlajtos/moniel计算图的交互式表示法，展示例子如下所示，左边是输入，右侧就是对应结构的可视化结果。

21. Texample

http://www.texample.net/tikz/examples/neural-network/这个工具也可以通过 LaTex 来实现一个神经网络结构的可视化，比如，一个 LaTex 的例子：

其可视化结果如下所示：

22. Quiver

github: https://github.com/keplr-io/quiverStar 数量：1.5kKeras 的一款交互式可视化卷积特征的一个工具展示例子如下所示：

安装方式

两种方式，直接用 pip

pip install quiver_engine

或者通过 GitHub 仓库的方式：

pip install git+git://github.com/keplr-io/quiver.git

使用例子

首先构建你的 keras 模型：

model = Model(...)

接着通过一行代码来发布可视化的展示板：

quiver_engine.server.launch(model, classes=['cat','dog'], input_folder='./imgs')

最后在刚刚设置的文件夹中就可以看到每个网络层的可视化结果。如果是想在浏览器中查看，代码如下：

from quiver_engine import serverserver.launch(model)

默认的地址是 localhost:5000

参考文章：

https://datascience.stackexchange.com/questions/12851/how-do-you-visualize-neural-network-architectures
https://datascience.stackexchange.com/questions/2670/visualizing-deep-neural-network-training