基于Python的卷积神经网络结构可视化

深藏阁楼爱情的钟 2024-03-24 21:46 73阅读 0赞

[资源下载地址][Link 1]：https://download.csdn.net/download/sheziqiong/88253752  
[资源下载地址][Link 1]：https://download.csdn.net/download/sheziqiong/88253752

## 卷积神经网络结构可视化 ##

*  简介
    
     *  本文介绍的工具是针对卷积神经网络示意图可视化的，不包括算图。（示意图一般出现在论文中）
     *  常见的卷积神经网络示意图绘制工具不少，常用的主要有 NN SVG、ConvNetDraw、PlotNeuralNet 等。
     *  写这篇重点介绍 PlotNeuralNet 的教程的原因是国内关于它的教程很少并且大都只是列举了官方 demo。
 *  常见工具
    
     *  NN SVG
        
         *  [官方地址][Link 2]
         *  ![67e3dc2614fa376db38d10c5e7179018.png][]
         *  过去一段时间内比较喜欢用的，特点是很方便，提供给用户的是个交互式的 Web 页面。
         *  特点
            
             *  方便，各层直接界面控制增减及变化。
             *  支持三种风格，选择空间大。
             *  支持 SVG 格式下载。
         *  缺点
            
             *  可视化界面的最大问题就是很多用户期待的功能为考虑全面，定制程度低。
             *  各层连接不是很好看。
     *  ConvNetDraw
        
         *  [官方地址][Link 3]
         *  ![07a85b560eb0905739588204a441e851.png][]
         *  从未使用过，很多博主推荐，但是观感劝退了我。
         *  特点
            
             *  脚本化控制
             *  尺度自定义
             *  直观
         *  缺点
            
             *  既没有做到脚本化的自由度，又没有做到交互界面的观感。
             *  不好看。
     *  PlotNeuralNet
        
         *  官方地址
            
             *  [https://github.com/HarisIqbal88/PlotNeuralNet.git][https_github.com_HarisIqbal88_PlotNeuralNet.git]
         *  ![41fabd464112bf3a159732298d346c6c.png][]
         *  这是我极力推荐的工具，尽管它的上手难度略高于之前两个，但学会之后很好用，不少论文就是使用这个工具可视化的。
         *  特点
            
             *  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。
         *  缺点
            
             *  无交互界面，上手略有难度。
 *  使用教程
    
     *  说明
        
         *  基于 Linux 或者有 bash 的环境，我只在 Ubuntu 系统下测试成功。（事实上，深度学习首选的环境之一就是 Linux 的 Ubuntu）
         *  只介绍 Python 脚本绘制的方式，不介绍 LaTex 方式。
         *  需要安装前置软件，如 LaTex 解析器。
     *  前置准备
        
         *  安装 textlive
            
             *  调用 LaTex 解析生成 PDF，需要安装 LaTex，这里使用 TextLive。
             *  `wget https://mirrors.tuna.tsinghua.edu.cn/CTAN/systems/texlive/Images/texlive2019.iso`
                
                 *  上面命令为下载镜像到当前目录，失败则可能换源，去掉上述链接的最后文件，在 Web 中查看合适文件下载即可。
             *  `sudo apt-get install perl-tk`
                
                 *  安装图形界面
             *  `sudo mount -o loop texlive.iso /mnt`
                
                 *  挂载镜像
             *  `cd /mnt`
                
                 *  切换到挂载目录
             *  `sudo ./install-tl -gui`
                
                 *  使用图形界面安装
             *  `sudo apt-get install texlive-latex-extra`
                
                 *  安装扩展包
         *  源码目录结构  
            ![在这里插入图片描述][df1cb1d446834d9496610a1c6bd5fbf3.png]
            
             *  其中 pycore 下的 tikzeng.py 是核心文件，定义了绘图过程（所有 to 开头的函数），可以绘制的层，py 脚本向 LaTex 的转换。
             *  代码比较易懂，这里不做解析了。
     *  绘制
        
         *  一般将自己写的 py 脚本放在 clone 的项目的 pyexamples 目录下。
         *  源目录下有两个 py 脚本，对其进行详细注释，包含了常用的语法。
         *  代码 1-test\_simple.py
            
             *  cd 到 pyexamples 目录执行 `bash ../tikzmake.sh test_simple`（**注意不加 py 后缀，且有些错误正常，观察是否生成 pdf 文件即可**）
             *      import sys
                      sys.path.append('../')  # 添加自定义库的目录
                      from pycore.tikzeng import *  #  导入自定义库
                    
                      # defined your arch
                      arch = [
                          # 添加头
                          to_head( '..' ),
                          to_cor(),
                          to_begin(),
                          # 添加卷积层conv1
                          to_Conv("conv1", 512, 64, offset="(0,0,0)", to="(0,0,0)", height=64, depth=64, width=2 ),
                          # 卷积层conv1东侧添加池化层pool1
                          to_Pool("pool1", offset="(0,0,0)", to="(conv1-east)"),
                          # 池化层pool1东侧添加卷积层conv2
                          to_Conv("conv2", 128, 64, offset="(1,0,0)", to="(pool1-east)", height=32, depth=32, width=2 ),
                          # 建立pool1到conv2的连接箭头
                          to_connection( "pool1", "conv2"), 
                          # conv2东侧添加pool2
                          to_Pool("pool2", offset="(0,0,0)", to="(conv2-east)", height=28, depth=28, width=1),
                          # pool1东侧添加softmax层但是偏移３单位
                          to_SoftMax("soft1", 10 ,"(3,0,0)", "(pool1-east)", caption="SOFT"  ),
                          # 建立pool2到soft1的连接箭头
                          to_connection("pool2", "soft1"),    
                          # 结束
                          to_end()
                          ]
                    
                    
                      def main():
                          namefile = str(sys.argv[0]).split('.')[0]
                          to_generate(arch, namefile + '.tex' )
                    
                    
                      if __name__ == '__main__':
                          main()
             *  执行结果
                
                 *  ![e6d07f5d0a89776964164aed4ee97770.png][]
         *  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()
         *  执行结果  
            ![在这里插入图片描述][5b7e9bc292a14800be03fae7884241b5.png]

[资源下载地址][Link 1]：https://download.csdn.net/download/sheziqiong/88253752  
[资源下载地址][Link 1]：https://download.csdn.net/download/sheziqiong/88253752

[Link 1]: https://download.csdn.net/download/sheziqiong/88253752
[Link 2]: http://alexlenail.me/NN-SVG/
[67e3dc2614fa376db38d10c5e7179018.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/13/efe80c349ea447f698520561750ba46f.png
[Link 3]: https://cbovar.github.io/ConvNetDraw/
[07a85b560eb0905739588204a441e851.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/13/1c6c46aca2234361a8d72567df186760.png
[https_github.com_HarisIqbal88_PlotNeuralNet.git]: https://github.com/HarisIqbal88/PlotNeuralNet.git
[41fabd464112bf3a159732298d346c6c.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/13/b35a3cb43df643ec803b60481002dc3d.png
[df1cb1d446834d9496610a1c6bd5fbf3.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/13/913f1a597bec46548029f2e5697c3ed8.png
[e6d07f5d0a89776964164aed4ee97770.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/13/f65d9c4105464f97bc091a59b92f632a.png
[5b7e9bc292a14800be03fae7884241b5.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/13/432be54176274422a6259454bc5c931d.png