当前位置：网站首页>深度学习网络结构图绘制工具及方法

深度学习网络结构图绘制工具及方法

2022-08-08 10:55:00 【空中旋转篮球】

目录
这些软件都是只能作为模型图的辅助，更常见的模型组合型的图还是要ppt来画了，或许还有visio。来自：https://www.csdn.net/tags/MtjaggysMjg5NzktYmxvZwO0O0OO0O0O.html
ML Visual
地址：GitHub - dair-ai/ml-visuals: ML Visuals contains figures and templates which you can reuse and customize to improve your scientific writing.
谷歌链接：https://docs.google.com/presentation/d/11mR1nkIR9fbHegFkcFq8z9oDQ5sjv8E3JJp1LfLGKuk/edit#slide=id.gd7a8f690c7_22_0
内容介绍：提供一份32页的PPT模型图素材，可以直接使用画出你要的机器学习深度学习模型图
NN-SVG
github地址：https://github.com/zfrenchee
画图工具体验地址：NN SVG
内容介绍：
1. 画节点形式网络介绍
2. 二维、三维平铺式的模型
PlotNeuralNet
地址：https://link.zhihu.com/?target=https%3A//github.com/HarisIqbal88/PlotNeuralNet
缺点：用LaTex语言编辑
ConvNetDraw
地点：https://cbovar.github.io/ConvNetDraw/
内容介绍：画的是方块形的模型（标注节点数那种）
缺点：目标分辨率太低了
Draw_Convnet
地址：GitHub - gwding/draw_convnet
内容介绍：使用python程序直接作图
Netscope
地址：https://link.zhihu.com/?target=https%3A//github.com/ethereon/netscope
内容介绍：caffe的网络结构可视化工具

推荐5款好用的深度学习框架绘制工具 https://zhuanlan.zhihu.com/p/531619117?utm_id=0

1.Diagram

亮点：diagrams.net （以前称为draw.io）是一个免费的拖放式在线图表工具，使用无代码 http://diagrams.net 工具通过图表可视化绘制深度学习模型，允许用户创建流程图、生成网络和实体关系 (ER) 图，甚至设计数据库模式。包括其易用性以及与 GitHub、OneDrive 和 Google Drive 等常见平台的无缝集成

面板

使用教程：diagrams画图保姆级教程_哔哩哔哩_bilibili

2.Inkscape

亮点：基于免费矢量的图像编辑器，Inkscape 是可以安装在 Apple、Windows 或 GNU/Linux 设备上的专用软件。由于它允许设计的图表数量，从地图到徽标，初学者和专家的选择。

chrisolah 大佬用来描述 LSTM

使用教程：Inkscape使用教程_哔哩哔哩_bilibili

3.PlotNeuralNet

亮点：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(直接网络结构代码生成可视化图，真香)。很多论文的插图就是使用这个工具可视化的。

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()

运行：python 2-unet.py 即可生成：