↑ 点击蓝字关注极市平台

作者丨鑫鑫淼淼焱焱

来源丨程序员技术精选

编辑丨极市平台

极市导读

本文汇总了23个令人眼前一亮的神经网络的设计和可视化工具，并对其进行了简要介绍。>>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 23 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

23 款工具名称分别如下，其中原文封面图就是第 16 款工具实现的结果，非常的炫酷和让人眼前一亮：

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
Net2Vis

工具

1. draw_convnet

Github: https://github.com/gwding/draw_convnet

star 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/PlotNeuralNet

star 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.py

Caffe 的绘图工具，效果如下所示：

6. Matlab

http://www.mathworks.com/help/nnet/ref/view.html

Matlab 的绘图工具，效果如下所示：

7. Keras.js

https://transcranial.github.io/keras-js/#/inception-v3

Keras 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 keras2ascii
keras2ascii(model)

9. Netron

https://github.com/lutzroeder/Netron

Star 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
http://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/netron

Python 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.html

Python 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-like

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。

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/quiver

Star 数量：1.5k

Keras 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 server
server.launch(model)

默认的地址是 localhost:5000

23.Net2Vis

论文地址：https://arxiv.org/abs/1902.04394

Github：https://github.com/viscom-ulm/Net2Vis

这款工具的效果例子图：

安装方法

首先假设已经安装了 python3 和 npm，然后：

克隆这个 github 项目：

git clone https://github.com/viscom-ulm/Net2Vis

2. 为了后端工作，这里需要安装 Docker 和 Cairo，主要的作用是转换为 PDF，以及在浏览器里可以运行模型。

如果是采用 docker，那么也要运行 daemon，这样才能在单独的容器里运行粘贴的代码。

对于后端的配置，步骤如下：

# 1.进入后端的文件夹内cd backend# 2. 安装依赖包pip3 install -r requirements.txt# 3. 安装 docker容器docker build --force-rm -t tf_plus_keras .# 4. 根据你的系统安装对应的 python 的 cairo 包，比如Debian 的 python-cairosvg # 5. 开启服务python server.py

而前端是一个 react 的应用，使用方式如下：

# 1. 进入文件夹cd net2vis# 2. 安装 JavaScript 的依赖包npm install# 3. 开启应用npm start

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

小结

这 23 款工具的输出结果既有直接打印的，也有黑白图、彩色图、炫酷的球体可视化结果，以及三维可视化结果，基本都可以支持目前主流的深度学习框架，当然也有的是基于特定框架，比如 keras，实现的对应第三方库。

可以根据需求和使用的框架来进行选择，相信应该能够满足大部分人对可视化网络结构的需求。

推荐阅读

深度学习训练过程可视化（附github源码）
损失函数的可视化：浅论模型的参数空间与正则
深度学习中7种最优化算法的可视化与理解

来测一测你是几级的炼丹师？

添加极市小助手微信（ID : cvmart2），备注：姓名-学校/公司-研究方向-城市（如：小极-北大-目标检测-深圳），即可申请加入极市目标检测/图像分割/工业检测/人脸/医学影像/3D/SLAM/自动驾驶/超分辨率/姿态估计/ReID/GAN/图像增强/OCR/视频理解等技术交流群：每月大咖直播分享、真实项目需求对接、求职内推、算法竞赛、干货资讯汇总、与 10000+来自港科大、北大、清华、中科院、CMU、腾讯、百度等名校名企视觉开发者互动交流~

△长按添加极市小助手

△长按关注极市平台，获取最新CV干货

觉得有用麻烦给个在看啦~

盘点 23 款神经网络的设计和可视化工具

前言

工具

1. draw_convnet

2. NNSVG

3. PlotNeuralNet

安装

使用例子

4. TensorBoard

5. Caffe

6. Matlab

7. Keras.js

8. keras-sequential-ascii

安装

使用例子

9. Netron

简介

安装

10. DotNet

11. Graphviz

12. Keras Visualization

13. Conx

14. ENNUI

15. NNet

16. GraphCore

17. Neataptic

18. TensorSpace

19. Netscope CNN Analyzer

20. Monial

21. Texample

22. Quiver

安装方式

使用例子

小结

深度学习训练过程可视化（附github源码）

损失函数的可视化：浅论模型的参数空间与正则

深度学习中7种最优化算法的可视化与理解