【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! |
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}=[ |
CopyRight 2018-2019 实验室设备网 版权所有 |