使用NetworkX模块绘制深度神经网络（DNN）结构图

亦凉 2022-05-08 14:04 338阅读 0赞

本文将展示如何利用Python中的NetworkX模块来绘制深度神经网络（DNN）结构图。  
  在文章[Keras入门（一）搭建深度神经网络（DNN）解决多分类问题][Keras_DNN]中，我们创建的DNN结构图如下：

![DNN结构示意图][DNN]

该DNN模型由输入层、隐藏层、输出层和softmax函数组成，每一层的神经元个数分别为4,5,6,3,3。不知道聪明的读者有没有发现，这张示意图完全是由笔者自己用Python绘制出来的，因为并不存在现成的结构图。那么，如何利用Python来绘制出这种相对复杂的神经网络的示意图呢？答案是利用NetworkX模块。

> NetworkX是一个用Python语言开发的图论与复杂网络建模工具，内置了常用的图与复杂网络分析算法，可以方便地进行复杂网络数据分析、仿真建模等工作。NetworkX支持创建简单无向图、有向图和多重图，内置许多标准的图论算法，节点可为任意数据，支持任意的边值维度，功能丰富，简单易用。

首先，我们需要绘制出该DNN的大致框架，其Python代码如下：

# -*- coding:utf-8 -*-
    import networkx as nx
    import matplotlib.pyplot as plt
    
    # 创建DAG
    G = nx.DiGraph()
    
    # 顶点列表
    vertex_list = ['v'+str(i) for i in range(1, 22)]
    # 添加顶点
    G.add_nodes_from(vertex_list)
    
    # 边列表
    edge_list = [
                 ('v1', 'v5'), ('v1', 'v6'), ('v1', 'v7'),('v1', 'v8'),('v1', 'v9'),
                 ('v2', 'v5'), ('v2', 'v6'), ('v2', 'v7'),('v2', 'v8'),('v2', 'v9'),
                 ('v3', 'v5'), ('v3', 'v6'), ('v3', 'v7'),('v3', 'v8'),('v3', 'v9'),
                 ('v4', 'v5'), ('v4', 'v6'), ('v4', 'v7'),('v4', 'v8'),('v4', 'v9'),
                 ('v5','v10'),('v5','v11'),('v5','v12'),('v5','v13'),('v5','v14'),('v5','v15'),
                 ('v6','v10'),('v6','v11'),('v6','v12'),('v6','v13'),('v6','v14'),('v6','v15'),
                 ('v7','v10'),('v7','v11'),('v7','v12'),('v7','v13'),('v7','v14'),('v7','v15'),
                 ('v8','v10'),('v8','v11'),('v8','v12'),('v8','v13'),('v8','v14'),('v8','v15'),
                 ('v9','v10'),('v9','v11'),('v9','v12'),('v9','v13'),('v9','v14'),('v9','v15'),
                 ('v10','v16'),('v10','v17'),('v10','v18'),
                 ('v11','v16'),('v11','v17'),('v11','v18'),
                 ('v12','v16'),('v12','v17'),('v12','v18'),
                 ('v13','v16'),('v13','v17'),('v13','v18'),
                 ('v14','v16'),('v14','v17'),('v14','v18'),
                 ('v15','v16'),('v15','v17'),('v15','v18'),
                 ('v16','v19'),
                 ('v17','v20'),
                 ('v18','v21')
                ]
    # 通过列表形式来添加边
    G.add_edges_from(edge_list)
    
    # 绘制DAG图
    plt.title('DNN for iris')    #图片标题
    
    nx.draw(
            G,
            node_color = 'red',             # 顶点颜色
            edge_color = 'black',           # 边的颜色
            with_labels = True,             # 显示顶点标签
            font_size =10,                  # 文字大小
            node_size =300                  # 顶点大小
           )
    # 显示图片
    plt.show()

可以看到，我们在代码中已经设置好了这22个神经元以及它们之间的连接情况，但绘制出来的结构如却是这样的：

![未标明位置的DNN结构图][DNN 1]

这显然不是我们想要的结果，因为各神经的连接情况不明朗，而且很多神经都挤在了一起，看不清楚。之所以出现这种情况，是因为我们没有给神经元设置坐标，导致每个神经元都是随机放置的。  
  接下来，引入坐标机制，即设置好每个神经元节点的坐标，使得它们的位置能够按照事先设置好的来放置，其Python代码如下：

# -*- coding:utf-8 -*-
    import networkx as nx
    import matplotlib.pyplot as plt
    
    # 创建DAG
    G = nx.DiGraph()
    
    # 顶点列表
    vertex_list = ['v'+str(i) for i in range(1, 22)]
    # 添加顶点
    G.add_nodes_from(vertex_list)
    
    # 边列表
    edge_list = [
                 ('v1', 'v5'), ('v1', 'v6'), ('v1', 'v7'),('v1', 'v8'),('v1', 'v9'),
                 ('v2', 'v5'), ('v2', 'v6'), ('v2', 'v7'),('v2', 'v8'),('v2', 'v9'),
                 ('v3', 'v5'), ('v3', 'v6'), ('v3', 'v7'),('v3', 'v8'),('v3', 'v9'),
                 ('v4', 'v5'), ('v4', 'v6'), ('v4', 'v7'),('v4', 'v8'),('v4', 'v9'),
                 ('v5','v10'),('v5','v11'),('v5','v12'),('v5','v13'),('v5','v14'),('v5','v15'),
                 ('v6','v10'),('v6','v11'),('v6','v12'),('v6','v13'),('v6','v14'),('v6','v15'),
                 ('v7','v10'),('v7','v11'),('v7','v12'),('v7','v13'),('v7','v14'),('v7','v15'),
                 ('v8','v10'),('v8','v11'),('v8','v12'),('v8','v13'),('v8','v14'),('v8','v15'),
                 ('v9','v10'),('v9','v11'),('v9','v12'),('v9','v13'),('v9','v14'),('v9','v15'),
                 ('v10','v16'),('v10','v17'),('v10','v18'),
                 ('v11','v16'),('v11','v17'),('v11','v18'),
                 ('v12','v16'),('v12','v17'),('v12','v18'),
                 ('v13','v16'),('v13','v17'),('v13','v18'),
                 ('v14','v16'),('v14','v17'),('v14','v18'),
                 ('v15','v16'),('v15','v17'),('v15','v18'),
                 ('v16','v19'),
                 ('v17','v20'),
                 ('v18','v21')
                ]
    # 通过列表形式来添加边
    G.add_edges_from(edge_list)
    
    # 指定绘制DAG图时每个顶点的位置
    pos = { 
            'v1':(-2,1.5),
            'v2':(-2,0.5),
            'v3':(-2,-0.5),
            'v4':(-2,-1.5),
            'v5':(-1,2),
            'v6': (-1,1),
            'v7':(-1,0),
            'v8':(-1,-1),
            'v9':(-1,-2),
            'v10':(0,2.5),
            'v11':(0,1.5),
            'v12':(0,0.5),
            'v13':(0,-0.5),
            'v14':(0,-1.5),
            'v15':(0,-2.5),
            'v16':(1,1),
            'v17':(1,0),
            'v18':(1,-1),
            'v19':(2,1),
            'v20':(2,0),
            'v21':(2,-1)
           }
    # 绘制DAG图
    plt.title('DNN for iris')    #图片标题
    plt.xlim(-2.2, 2.2)                     #设置X轴坐标范围
    plt.ylim(-3, 3)                     #设置Y轴坐标范围
    nx.draw(
            G,
            pos = pos,                      # 点的位置
            node_color = 'red',             # 顶点颜色
            edge_color = 'black',           # 边的颜色
            with_labels = True,             # 显示顶点标签
            font_size =10,                  # 文字大小
            node_size =300                  # 顶点大小
           )
    # 显示图片
    plt.show()

可以看到，在代码中，通过pos字典已经规定好了每个神经元节点的位置，那么，绘制好的DNN结构示意图如下：

![DNN模型的框架图][DNN 2]

可以看到，现在这个DNN模型的结构已经大致显现出来了。  
  接下来，我们需要对这个框架图进行更为细致地修改，需要修改的地方为：

1.  去掉神经元节点的标签；
2.  添加模型层的文字注释（比如Input layer）.

其中，第二步的文字注释，我们借助opencv来完成。完整的Python代码如下：

# -*- coding:utf-8 -*-
    import cv2
    import networkx as nx
    import matplotlib.pyplot as plt
    
    # 创建DAG
    G = nx.DiGraph()
    
    # 顶点列表
    vertex_list = ['v'+str(i) for i in range(1, 22)]
    # 添加顶点
    G.add_nodes_from(vertex_list)
    
    # 边列表
    edge_list = [
                 ('v1', 'v5'), ('v1', 'v6'), ('v1', 'v7'),('v1', 'v8'),('v1', 'v9'),
                 ('v2', 'v5'), ('v2', 'v6'), ('v2', 'v7'),('v2', 'v8'),('v2', 'v9'),
                 ('v3', 'v5'), ('v3', 'v6'), ('v3', 'v7'),('v3', 'v8'),('v3', 'v9'),
                 ('v4', 'v5'), ('v4', 'v6'), ('v4', 'v7'),('v4', 'v8'),('v4', 'v9'),
                 ('v5','v10'),('v5','v11'),('v5','v12'),('v5','v13'),('v5','v14'),('v5','v15'),
                 ('v6','v10'),('v6','v11'),('v6','v12'),('v6','v13'),('v6','v14'),('v6','v15'),
                 ('v7','v10'),('v7','v11'),('v7','v12'),('v7','v13'),('v7','v14'),('v7','v15'),
                 ('v8','v10'),('v8','v11'),('v8','v12'),('v8','v13'),('v8','v14'),('v8','v15'),
                 ('v9','v10'),('v9','v11'),('v9','v12'),('v9','v13'),('v9','v14'),('v9','v15'),
                 ('v10','v16'),('v10','v17'),('v10','v18'),
                 ('v11','v16'),('v11','v17'),('v11','v18'),
                 ('v12','v16'),('v12','v17'),('v12','v18'),
                 ('v13','v16'),('v13','v17'),('v13','v18'),
                 ('v14','v16'),('v14','v17'),('v14','v18'),
                 ('v15','v16'),('v15','v17'),('v15','v18'),
                 ('v16','v19'),
                 ('v17','v20'),
                 ('v18','v21')
                ]
    # 通过列表形式来添加边
    G.add_edges_from(edge_list)
    
    # 指定绘制DAG图时每个顶点的位置
    pos = { 
            'v1':(-2,1.5),
            'v2':(-2,0.5),
            'v3':(-2,-0.5),
            'v4':(-2,-1.5),
            'v5':(-1,2),
            'v6': (-1,1),
            'v7':(-1,0),
            'v8':(-1,-1),
            'v9':(-1,-2),
            'v10':(0,2.5),
            'v11':(0,1.5),
            'v12':(0,0.5),
            'v13':(0,-0.5),
            'v14':(0,-1.5),
            'v15':(0,-2.5),
            'v16':(1,1),
            'v17':(1,0),
            'v18':(1,-1),
            'v19':(2,1),
            'v20':(2,0),
            'v21':(2,-1)
           }
    # 绘制DAG图
    plt.title('DNN for iris')    #图片标题
    plt.xlim(-2.2, 2.2)                     #设置X轴坐标范围
    plt.ylim(-3, 3)                     #设置Y轴坐标范围
    nx.draw(
            G,
            pos = pos,                      # 点的位置
            node_color = 'red',             # 顶点颜色
            edge_color = 'black',           # 边的颜色
            font_size =10,                  # 文字大小
            node_size =300                  # 顶点大小
           )
    
    # 保存图片，图片大小为640*480
    plt.savefig('E://data/DNN_sketch.png')
    
    # 利用opencv模块对DNN框架添加文字注释
    
    # 读取图片
    imagepath = 'E://data/DNN_sketch.png'
    image = cv2.imread(imagepath, 1)
    
    # 输入层
    cv2.rectangle(image, (85, 130), (120, 360), (255,0,0), 2)
    cv2.putText(image, "Input Layer", (15, 390), 1, 1.5, (0, 255, 0), 2, 1)
    
    # 隐藏层
    cv2.rectangle(image, (190, 70), (360, 420), (255,0,0), 2)
    cv2.putText(image, "Hidden Layer", (210, 450), 1, 1.5, (0, 255, 0), 2, 1)
    
    # 输出层
    cv2.rectangle(image, (420, 150), (460, 330), (255,0,0), 2)
    cv2.putText(image, "Output Layer", (380, 360), 1, 1.5, (0, 255, 0), 2, 1)
    
    # sofrmax层
    cv2.rectangle(image, (530, 150), (570, 330), (255,0,0), 2)
    cv2.putText(image, "Softmax Func", (450, 130), 1, 1.5, (0, 0, 255), 2, 1)
    
    # 保存修改后的图片
    cv2.imwrite('E://data/DNN.png', image)

这样生成的图片就是文章最开始给出的DNN的结构示意图。Bingo,搞定！

注意：本人现已开通微信公众号： Python爬虫与算法（微信号为：easy\_web\_scrape）， 欢迎大家关注哦~~

[Keras_DNN]: https://www.jianshu.com/p/1d88a6ed707e
[DNN]: /images/20220508/7e9a72e822a747d581f14af3050a4246.png
[DNN 1]: /images/20220508/210b773a28784d67917db414ed27c29e.png
[DNN 2]: /images/20220508/e6c1c2b37dd54169a1a3401aa4f3f9c0.png