Viznet画神经网络结构图

画出神经网络结构图 

学习资料:

• 一个神经网络绘图包
• latex 自带 Tikz 画图包 Example: Kalman Filter System Model.
• 基于 Matplotlib 的Viznet
• 在线生成卷积网络结构图：ConvNetDraw

使用 Viznet 画出神经网络结构图

'''

'''

import numpy as np
from viznet import connecta2a, node_sequence, NodeBrush, EdgeBrush, DynamicShow def draw_feed_forward(ax, num_node_list): ''' draw a feed forward neural network. Args: num_node_list (list<int>): 每层节点数组成的列表 ''' num_hidden_layer = len(num_node_list) - 2 # 隐藏层数 token_list = ['\sigma^z'] + \ ['y^{(%s)}' % (i + 1) for i in range(num_hidden_layer)] + ['\psi'] kind_list = ['nn.input'] + ['nn.hidden'] * num_hidden_layer + ['nn.output'] radius_list = [0.3] + [0.2] * num_hidden_layer + [0.3] # 半径大小 y_list = - 1.5 * np.arange(len(num_node_list)) # 每一层节点所在的位置的纵轴坐标，全取负值说明网络是自顶而下的 seq_list = [] for n, kind, radius, y in zip(num_node_list, kind_list, radius_list, y_list): b = NodeBrush(kind, ax) seq_list.append(node_sequence(b, n, center=(0, y))) eb = EdgeBrush('-->', ax) for st, et in zip(seq_list[:-1], seq_list[1:]): connecta2a(st, et, eb) #for i, layer_nodes in enumerate(seq_list): #[node.text('$z_%i^{(%i)}$'%(j, i), 'center', fontsize=16) for j, node in enumerate(layer_nodes)] return seq_list def real_bp(): with DynamicShow((6, 6), '_feed_forward.png') as d: # 隐藏坐标轴 seq_list = draw_feed_forward(d.ax, num_node_list=[5, 4, 1]) for i, layer_nodes in enumerate(seq_list): [node.text('$z_{%i}^{(%i)}$'%(j, i), 'center', fontsize=16) for j, node in enumerate(layer_nodes)] if __name__ == '__main__': real_bp() 

为了节省内存，最好将图片保存为 .svg 格式。

在线生成卷积网络结构图

这个操作起来十分简单，只需要输入如下卷积神经网络结构说明:

# Some example

input(28, 28, 1)
conv(24, 24, 8) relu(24, 24, 8) pool(12, 12, 8) conv(10, 10, 16) relu(10, 10, 16) pool(4, 4, 16) fullyconn(1, 1, 10) softmax(1, 1, 10) 

便可生成对应的网络结构，即：

学习资料:

• 一个神经网络绘图包
• latex 自带 Tikz 画图包 Example: Kalman Filter System Model.
• 基于 Matplotlib 的Viznet
• 在线生成卷积网络结构图：ConvNetDraw

使用 Viznet 画出神经网络结构图

'''

'''

import numpy as np
from viznet import connecta2a, node_sequence, NodeBrush, EdgeBrush, DynamicShow def draw_feed_forward(ax, num_node_list): ''' draw a feed forward neural network. Args: num_node_list (list<int>): 每层节点数组成的列表 ''' num_hidden_layer = len(num_node_list) - 2 # 隐藏层数 token_list = ['\sigma^z'] + \ ['y^{(%s)}' % (i + 1) for i in range(num_hidden_layer)] + ['\psi'] kind_list = ['nn.input'] + ['nn.hidden'] * num_hidden_layer + ['nn.output'] radius_list = [0.3] + [0.2] * num_hidden_layer + [0.3] # 半径大小 y_list = - 1.5 * np.arange(len(num_node_list)) # 每一层节点所在的位置的纵轴坐标，全取负值说明网络是自顶而下的 seq_list = [] for n, kind, radius, y in zip(num_node_list, kind_list, radius_list, y_list): b = NodeBrush(kind, ax) seq_list.append(node_sequence(b, n, center=(0, y))) eb = EdgeBrush('-->', ax) for st, et in zip(seq_list[:-1], seq_list[1:]): connecta2a(st, et, eb) #for i, layer_nodes in enumerate(seq_list): #[node.text('$z_%i^{(%i)}$'%(j, i), 'center', fontsize=16) for j, node in enumerate(layer_nodes)] return seq_list def real_bp(): with DynamicShow((6, 6), '_feed_forward.png') as d: # 隐藏坐标轴 seq_list = draw_feed_forward(d.ax, num_node_list=[5, 4, 1]) for i, layer_nodes in enumerate(seq_list): [node.text('$z_{%i}^{(%i)}$'%(j, i), 'center', fontsize=16) for j, node in enumerate(layer_nodes)] if __name__ == '__main__': real_bp() 

为了节省内存，最好将图片保存为 .svg 格式。

在线生成卷积网络结构图

这个操作起来十分简单，只需要输入如下卷积神经网络结构说明:

# Some example

input(28, 28, 1)
conv(24, 24, 8) relu(24, 24, 8) pool(12, 12, 8) conv(10, 10, 16) relu(10, 10, 16) pool(4, 4, 16) fullyconn(1, 1, 10) softmax(1, 1, 10) 

便可生成对应的网络结构，即：