所有文章 > AI驱动 > 神经网络可视化工具,超全汇总!
神经网络可视化工具,超全汇总!

神经网络可视化工具,超全汇总!

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

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

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

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

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

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

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

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

keras-sequential-ascii:用于研究序列模型的架构和参数的Keras

地址:https://github.com/stared/keras-sequential-ascii/

VGG 16 的网络结构如下:

11. Netron

Netron:可以可视化神经网络、深度学习机器学习模型。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

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

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 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

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

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

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

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

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

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

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

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}=[<-,shorten <=1pt]
\tikzstyle{neuron}=[circle,fill=black!25,minimum size=17pt,inner sep=0pt]
\tikzstyle{input neuron}=[neuron, fill=green!50];
\tikzstyle{output neuron}=[neuron, fill=red!50];
\tikzstyle{hidden neuron}=[neuron, fill=blue!50];
\tikzstyle{annot} = [text width=4em, text centered]

% Draw the input layer nodes
\foreach \name / \y in {1,...,4}
% This is the same as writing \foreach \name / \y in {1/1,2/2,3/3,4/4}
\node[input neuron, pin=left:Input \#\y] (I-\name) at (0,-\y) {};

% Draw the hidden layer nodes
\foreach \name / \y in {1,...,5}
\path[yshift=0.5cm]
node[hidden neuron] (H-\name) at (\layersep,-\y cm) {};

% Draw the output layer node
\node[output neuron,pin={[pin edge={->}]right:Output}, right of=H-3] (O) {};

% Connect every node in the input layer with every node in the
% hidden layer.
\foreach \source in {1,...,4}
\foreach \dest in {1,...,5}
\path (I-\source) edge (H-\dest);

% Connect every node in the hidden layer with the output layer
\foreach \source in {1,...,5}
\path (H-\source) edge (O);

% Annotate the layers
\node[annot,above of=H-1, node distance=1cm] (hl) {Hidden layer};
\node[annot,left of=hl] {Input layer};
\node[annot,right of=hl] {Output layer};
\end{tikzpicture}
% End of code
\end{document}

24. Quiver

Quiver:Keras 的一款交互式卷积神经网络特征可视化的一个工具。

地址:https://github.com/keplr-io/quiver

效果如下:

25. cnn-explainer

cnn-explainer:通过加载预训练模型以进行CNN可视化,只需要浏览器就可了解CNN的预测过程!

地址:https://poloclub.github.io/cnn-explainer/

效果如下:

26. ML Visuals

ML Visuals :包含神经网络的图形和模板,可以重复使用和自定义用于神经网络结构的展示。

地址:https://github.com/dair-ai/ml-visuals

效果如下:

文章转自微信公众号@算法进阶

#你可能也喜欢这些API文章!