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
    • 
    • 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
    • 
    • 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
    • 
    • 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
  • 下载源码
    • git clone https://github.com/HarisIqbal88/PlotNeuralNet.git
    • 源码目录结构
      • 
      • 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
        • 
    • 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
      • 
• 补充说明
  • 封装的各类层函数都在tikzeng.py文件中。
  • 具体的代码和结果可以在我的Github找到，欢迎star或者fork。
  • 实际项目请按照官方项目更新为主。