那些酷炫的深度学习网络图怎么画出来的?

2019 年 6 月 16 日 极市平台

加入极市专业CV交流群,与6000+来自腾讯,华为,百度,北大,清华,中科院等名企名校视觉开发者互动交流!更有机会与李开复老师等大牛群内互动!

同时提供每月大咖直播分享、真实项目需求对接、干货资讯汇总,行业技术交流点击文末“阅读原文”立刻申请入群~


本文授权转载自公众号有三AI

本文我们聊聊如何才能画出炫酷高大上的神经网络图,下面是常用的几种工具。


作者&编辑 | 言有三  


NN-SVG

这个工具可以非常方便的画出各种类型的图,是下面这位小哥哥开发的,来自于麻省理工学院弗兰克尔生物工程实验室, 该实验室开发可视化和机器学习工具用于分析生物数据。



  • github地址:https://github.com/zfrenchee

  • 画图工具体验地址:http://alexlenail.me/NN-SVG/


可以绘制的图包括以节点形式展示的FCNN style,这个特别适合传统的全连接神经网络的绘制。



以平铺网络结构展示的LeNet style,用二维的方式,适合查看每一层featuremap的大小和通道数目。



以三维block形式展现的AlexNet style,可以更加真实地展示卷积过程中高维数据的尺度的变化,目前只支持卷积层和全连接层。



这个工具可以导出非常高清的SVG图,值得体验。


2 PlotNeuralNet

这个工具是萨尔大学计算机科学专业的一个学生开发的,一看就像计算机学院的嘛。



首先我们看看效果,其github链接如下,将近4000 star:

https://github.com/HarisIqbal88/PlotNeuralNet


看看人家这个fcn-8的可视化图,颜值奇高。



使用的门槛相对来说就高一些了,用LaTex语言编辑,所以可以发挥的空间就大了,你看下面这个softmax层,这就是会写代码的优势了。



其中的一部分代码是这样的,会写吗。


\pic[shift={(0,0,0)}] at (0,0,0) {Box={name=crp1,caption=SoftmaxLoss: $E_\mathcal{S}$ ,%    fill={rgb:blue,1.5;red,3.5;green,3.5;white,5},opacity=0.5,height=20,width=7,depth=20}};

    

相似的工具还有:

https://github.com/jettan/tikz_cnn


ConvNetDraw

ConvNetDraw是一个使用配置命令的CNN神经网络画图工具,开发者是香港的一位程序员,Cédric cbovar。



采用如下的语法直接配置网络,可以简单调整x,y,z等3个维度,github链接如下:

https://cbovar.github.io/ConvNetDraw/



使用方法如上图所示,只需输入模型结构中各层的参数配置。



挺好用的不过它目标分辨率太低了,放大之后不清晰,达不到印刷的需求。



4 Draw_Convnet

这一个工具名叫draw_convnet,由Borealis公司的员工Gavin Weiguang Ding提供。



简单直接,是纯用python代码画图的,

https://github.com/gwding/draw_convnet


看看画的图如下,核心工具是matplotlib,图不酷炫,但是好在规规矩矩,可以严格控制,论文用挺合适的。



类似的工具还有:

https://github.com/yu4u/convnet-drawer



5 Netscope

下面要说的是这个,我最常用的,caffe的网络结构可视化工具,大名鼎鼎的netscope,由斯坦福AILab的Saumitro Dasgupta开发,找不到照片就不放了,地址如下:

https://github.com/ethereon/netscope



左边放配置文件,右边出图,非常方便进行网络参数的调整和可视化。这种方式好就好在各个网络层之间的连接非常的方便。


其他

再分享一个有意思的,不是画什么正经图,但是把权重都画出来了。

http://scs.ryerson.ca/~aharley/vis/conv/



看了这么多,有人已经在偷偷笑了,上PPT呀,想要什么有什么,想怎么画就怎么画。




那么,你都用什么画呢?欢迎留言分享一下!





*延伸阅读



点击左下角阅读原文”,即可申请加入极市目标跟踪、目标检测、工业检测、人脸方向、视觉竞赛等技术交流群,更有每月大咖直播分享、真实项目需求对接、干货资讯汇总,行业技术交流,一起来让思想之光照的更远吧~


△长按关注极市平台


觉得有用麻烦给个在看啦~  

登录查看更多
28

相关内容

[ICML-Google]先宽后窄:对深度薄网络的有效训练
专知会员服务
33+阅读 · 2020年7月5日
还在修改博士论文?这份《博士论文写作技巧》为你指南
【ICLR-2020】网络反卷积,NETWORK DECONVOLUTION
专知会员服务
37+阅读 · 2020年2月21日
模型压缩究竟在做什么?我们真的需要模型压缩么?
专知会员服务
26+阅读 · 2020年1月16日
【NeurIPS2019】图变换网络:Graph Transformer Network
专知会员服务
110+阅读 · 2019年11月25日
深度学习算法与架构回顾
专知会员服务
77+阅读 · 2019年10月20日
小于1MB的行人检测网络
极市平台
8+阅读 · 2019年9月23日
网络宽度对深度学习模型性能有什么影响?
极市平台
15+阅读 · 2019年7月7日
卷积神经网络四种卷积类型
炼数成金订阅号
18+阅读 · 2019年4月16日
不用重新训练,直接将现有模型转换为 MobileNet
极市平台
6+阅读 · 2019年3月4日
【图网络】为什么说图网络是 AI 的未来?
产业智能官
12+阅读 · 2019年2月24日
怎么画高大上的神经网络结构?试试这个!
论文落地 101:算法工程化的那些坑
PaperWeekly
13+阅读 · 2018年11月3日
小白都能看懂的神经网络入门,快收下吧~
码农翻身
3+阅读 · 2018年1月4日
Heterogeneous Deep Graph Infomax
Arxiv
12+阅读 · 2019年11月19日
Visualizing and Measuring the Geometry of BERT
Arxiv
7+阅读 · 2019年10月28日
Seeing What a GAN Cannot Generate
Arxiv
7+阅读 · 2019年10月24日
Arxiv
3+阅读 · 2019年3月15日
Deep Graph Infomax
Arxiv
16+阅读 · 2018年12月21日
Arxiv
5+阅读 · 2016年10月24日
VIP会员
相关VIP内容
[ICML-Google]先宽后窄:对深度薄网络的有效训练
专知会员服务
33+阅读 · 2020年7月5日
还在修改博士论文?这份《博士论文写作技巧》为你指南
【ICLR-2020】网络反卷积,NETWORK DECONVOLUTION
专知会员服务
37+阅读 · 2020年2月21日
模型压缩究竟在做什么?我们真的需要模型压缩么?
专知会员服务
26+阅读 · 2020年1月16日
【NeurIPS2019】图变换网络:Graph Transformer Network
专知会员服务
110+阅读 · 2019年11月25日
深度学习算法与架构回顾
专知会员服务
77+阅读 · 2019年10月20日
相关资讯
小于1MB的行人检测网络
极市平台
8+阅读 · 2019年9月23日
网络宽度对深度学习模型性能有什么影响?
极市平台
15+阅读 · 2019年7月7日
卷积神经网络四种卷积类型
炼数成金订阅号
18+阅读 · 2019年4月16日
不用重新训练,直接将现有模型转换为 MobileNet
极市平台
6+阅读 · 2019年3月4日
【图网络】为什么说图网络是 AI 的未来?
产业智能官
12+阅读 · 2019年2月24日
怎么画高大上的神经网络结构?试试这个!
论文落地 101:算法工程化的那些坑
PaperWeekly
13+阅读 · 2018年11月3日
小白都能看懂的神经网络入门,快收下吧~
码农翻身
3+阅读 · 2018年1月4日
相关论文
Heterogeneous Deep Graph Infomax
Arxiv
12+阅读 · 2019年11月19日
Visualizing and Measuring the Geometry of BERT
Arxiv
7+阅读 · 2019年10月28日
Seeing What a GAN Cannot Generate
Arxiv
7+阅读 · 2019年10月24日
Arxiv
3+阅读 · 2019年3月15日
Deep Graph Infomax
Arxiv
16+阅读 · 2018年12月21日
Arxiv
5+阅读 · 2016年10月24日
Top
微信扫码咨询专知VIP会员