| 【深度学习】神经网络可视化工具，超全汇总！ | 您所在的位置：网站首页 › 神经网络结构绘制实验报告 › 【深度学习】神经网络可视化工具，超全汇总！ |
【深度学习】神经网络可视化工具，超全汇总！
|
神经网络可视化是指通过图形化的方式展示神经网络的结构、参数、输入、输出、中间结果等信息，可以帮助用户更好地神经网络的内部工作原理和特征提取过程，以优化神经网络模型。扩展阅读：神经网络学习到的是什么？ 机器学习可视化技术概览(Python) 本文汇总了全网最为全面的26款神经网络可视化工具，可以帮助大家了解神经网络的结构组成、工作原理和性能表现，从而更好地进行模型调整和优化。也可以画出酷炫的模型图方便模型的展示。具体如下： 1. Net2Vis：是一款自动从Keras代码生成卷积神经网络的抽象可视化的工具。 地址：https://github.com/viscom-ulm/Net2Vis # You can freely modify this file. # However, you need to have a function that is named get_model and returns a Keras Model. import json import sys import os from keras.models import Sequential from keras.layers import Conv2D, Dense, Dropout, Flatten, MaxPooling2D, AveragePooling2D def get_model(): num_classes = 25 model = Sequential() model.add(Conv2D(filters=6, kernel_size=(3, 3), activation='relu', padding="same", input_shape=(32,32,1))) model.add(AveragePooling2D()) model.add(Conv2D(filters=16, kernel_size=(3, 3), activation='relu',padding="same")) model.add(AveragePooling2D()) model.add(Flatten()) model.add(Dense(units=120, activation='relu')) model.add(Dense(units=84, activation='relu')) model.add(Dense(units=num_classes, activation = 'softmax')) model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy']) return model 效果如下：
2. Visualkeras：是一个Python包，用于帮助可视化Keras（独立或包含在TensorFlow中）神经网络架构。它允许轻松地进行样式设置以适应大多数需求。目前，它支持分层样式架构生成，非常适合CNN（卷积神经网络），以及图形样式架构。 地址：https://github.com/paulgavrikov/visualkeras 效果如下： import visualkerasmodel = ...visualkeras.layered_view(model).show() # display using your system viewervisualkeras.layered_view(model, to_file='output.png') # write to diskvisualkeras.layered_view(model, to_file='output.png').show() # write and showvisualkeras.layered_view(model)
3. draw_convnet：是一个用于绘制卷积神经网络结构图的Python脚本。它可以帮助您可视化卷积神经网络的结构，包括卷积层、池化层、全连接层等。该脚本是由GitHub用户gwding开发的，是一个开源项目，可以在GitHub上找到其源代码和使用说明。 地址：https://github.com/gwding/draw_convnet 效果如下：
4. NN-SVG：有FCNN、AlexNet、LeNet三种类型。 地址：http://alexlenail.me/NN-SVG/AlexNet.html FCNN 类型
AlexNet 类型
LeNet 类型：
5. PlotNeuralNet：用于绘制报告和演示文稿中的神经网络的LaTeX代码。查看示例可以了解它们的制作方式。 地址：https://github.com/HarisIqbal88/PlotNeuralNet 效果如下：
6. TensorBoard：Graphs仪表板是用于检查TensorFlow模型的强大工具。 地址：https://www.tensorflow.org/tensorboard?hl=zh-cn 效果如下：
7. Caffe：可以使用caffe/draw.py来绘制NetParameter protobuffer。 地址：https://github.com/BVLC/caffe 效果如下：
8. Matlab 地址：https://www.mathworks.com/?s_tid=gn_logo 效果如下：
9. Keras.js 地址：https://transcranial.github.io/keras-js/#/ 效果如下：
10. keras-sequential-ascii：用于研究序列模型的架构和参数的Keras库 地址：https://github.com/stared/keras-sequential-ascii/ VGG 16 的网络结构如下：
11. Netron：可以可视化神经网络、深度学习和机器学习模型。Netron支持ONNX、TensorFlow Lite、Core ML、Keras、Caffe、Darknet、MXNet、PaddlePaddle、ncnn、MNN和TensorFlow.js。还支持实验性的PyTorch、TorchScript、TensorFlow、OpenVINO、RKNN、MediaPipe、ML.NET和scikit-learn。 地址：https://github.com/lutzroeder/Netron 效果如下：
12. DotNet：这是一个简单的Python脚本，用于使用Python和Graphviz生成前馈神经网络的图片。 地址：https://github.com/martisak/dotnets 效果如下：
13.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。 地址：https://www.graphviz.org/ 效果如下：
14. Keras Visualization：keras.utils.vis_utils模块提供了绘制Keras模型（使用graphviz）的实用函数。 地址：https://keras.io/api/utils/model_plotting_utils/ 效果如下：
15. Conx：Python第三方库 conx 可以使用 net.picture() 函数来实现具有激活函数网络的可视化，以生成SVG、PNG或PIL。 地址：https://conx.readthedocs.io/en/latest/index.html 效果如下：
16. ENNUI：致力于开发拖拽式神经网络可视化工具。 地址：https://math.mit.edu/ennui/ 以下是一个LeNet-like 架构的可视化示例：
17. NNet 教程：https://beckmw.wordpress.com R工具包示例及效果： data(infert, package="datasets") plot(neuralnet(case~parity+induced+spontaneous, infert))
18. 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。 地址：https://www.graphcore.ai/posts/ 下面展示了两个网络结构的可视化效果： AlexNet
ResNet50
19. 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。神经网络运行不需要固定的结构。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 地址：https://wagenaartje.github.io/neataptic/ 效果如下：
20. TensorSpace：是一个由TensorFlow.js、Three.js和Tween.js构建的神经网络3D可视化框架。它提供Layer API以构建深度学习层、加载预训练模型，并在浏览器中生成3D可视化。通过它的API接口，可以更直观地可视化并理解任何由TensorFlow、Keras、TensorFlow.js等构建的预训练模型。 地址：https://tensorspace.org/index_zh.html 效果如下：
21. Netscope CNN Analyzer：一个基于网络的工具，用于可视化和分析卷积神经网络架构（或者从技术角度讲，任何有向无环图）。目前支持Caffe的prototxt格式。 地址：http://dgschwend.github.io/netscope/quickstart.html 效果如下：
22. Monial：计算图的交互式表示法，左边是输入，右侧就是对应结构的可视化结果。 地址：https://github.com/mlajtos/moniel 效果如下：
23. Texample：可以通过 LaTex 来实现一个神经网络结构的可视化。 地址：https://texample.net/tikz/examples/neural-network/ LaTex 示例及效果图如下： \documentclass{article} \usepackage{tikz} \begin{document} \pagestyle{empty} \def\layersep{2.5cm} \begin{tikzpicture}[shorten >=1pt,->,draw=black!50, node distance=\layersep] \tikzstyle{every pin edge}=[ |
【本文地址】