24款设计和可视化神经网络的工具_画神经网络用什么工具

本文转载于于链接：https://zhuanlan.zhihu.com/p/147462170，在其基础上整理了24个可视化网络结构的工具，有需要时不迷路

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 24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

---

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

 
 
1
2

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-base
    
    
   
   

   
   

    
    

   
   
   
   

    
    

     
     sudo apt-get install texlive-fonts-recommended
    
    
   
   

   
   

    
    

   
   
   
   

    
    

     
     sudo apt-get install texlive-fonts-extra
    
    
   
   

   
   

    
    

   
   
   
   

    
    

     
     sudo apt-get install texlive-latex-extra
    
    
   
   
 
 
1

Windows

1. 首先下载并安装 MikTex，下载网站：https://miktex.org/download

2. 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
    
    
   
   
 
 
1

Python 的用法如下：

1. 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_project
    
    
   
   

   
   

    
    

   
   
   
   

    
    

     
     vim my_arch.py
    
    
   
   
 
 
1

1. 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 sys
    
    
   
   

   
   

    
    

   
   
   
   

    
    

     
     sys.path.
     
     append(
     
     '../')
    
    
   
   

   
   

    
    

   
   
   
   

    
    

     
     from pycore.tikzeng 
     
     import *
    
    
   
   

   
   

    
    

   
   
   
   

    
    
 
    
    
   
   

   
   

    
    

   
   
   
   

    
    

     
     # defined your arch
    
    
   
   

   
   

    
    

   
   
   
   

    
    

     
     arch = [
    
    
   
   

   
   

    
    

   
   
   
   

    
    

     
         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()
    
    
   
   
 
 
1

1. 最后，运行脚本

bash ../tikzmake.sh my_arch

 
 
1
2

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

 
 
1
2

直接通过 github 仓库：

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

 
 
1
2

使用例子

在代码中添加：

from keras_sequential_ascii import keras2ascii
keras2ascii(model)
1
2

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

• 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：

1. 下载 .dmg 文件，地址：https://github.com/lutzroeder/netron/releases/latest

2. 运行命令 brew cask install netron

Linux

也是两种方式，任选其中一种：

1. 下载 .AppImage 文件，下载地址：https://github.com/lutzroeder/netron/releases/latest

2. 运行命令 snap install netron

Windows

也是两种方式，任选其中一种：

1. 下载 .exe 文件，下载地址：https://github.com/lutzroeder/netron/releases/latest

2. 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

impor netron;
netron.start('文件路径');
1
2

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

 
 
1
2

或者生成 PDF 文件

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

 
 
1
2

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))
1
2

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

 
 
1
2

或者通过 GitHub 仓库的方式：

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

 
 
1
2

使用例子

首先构建你的 keras 模型：

model = Model(...)

 
 
1
2

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')

 
 
1
2

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)
1
2

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

1. 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
1

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
1

2. 安装依赖包

pip3 install -r requirements.txt
1

3. 安装 docker容器

docker build --force-rm -t tf_plus_keras
1

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
1

而前端是一个 react 的应用，使用方式如下：

1. 进入文件夹

cd net2vis
1

2. 安装 JavaScript 的依赖包

npm install
1

3. 开启应用

npm start 
1

24. ConvNetDraw

https://cuijiahua.com/convdraw/
一个轻量级在线绘制神经网络工具，但是功能似乎不多

---

参考文章：

1. https://datascience.stackexchange.com/questions/12851/how-do-you-visualize-neural-network-architectures

2. https://datascience.stackexchange.com/questions/2670/visualizing-deep-neural-network-training

---

小结

这 24 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。

若有其他可视化工具，欢迎推荐给我补充哦