PlotNeuralNet源代码链接：https://github.com/HarisIqbal88/PlotNeuralNet
网上找了很多画深度学习网络图的方法，发现这个PlotNeuralNet的颜值与实用性比较出色，只是需要进行编程，但是对于搞深度学习的人来说，问题应该不大。
先展示几张PlotNeuralNet画的效果图：
在GitHub上的源码中有所依赖软件安装步骤，本人的电脑是window10系统，需要安装两个小软件，我把链接稍微贴一下（PlotNeuralNet的GitHub页面上也有，可以去那找）。
- Download and install MikTeX（https://miktex.org/download），下载MikTeX软件，这是一个对文字、公式、图片进行排版能生成PDF的软件，写过英文论文的可能接触过。下载安装包，按提示进行安装即可。
- Download and install bash runner on Windows, recommends Git bash or
Cygwin
下载Git bash或者Cygwin两者之一就行。我只试了Git Bash。
软件安好了后，打开Git Bash，使用cd 命令将工作路径转到PlotNeuralNet所在的路径下。可以用 ls 看到PlotNeuralNet下的目录结构。
我们先来看一个例子：
将工作路径转到 PlotNeuralNet/pyexamples，可以看到里面有个 test_simple.py 文件。里面有个test_simple.pdf文件，是发布者上传的，你可以提前删除它。
运行命令：
bash ../tikzmake.sh test_simple
注意test_simple后不加.py后缀，等程序运行结束，可以在 PlotNeuralNet/pyexamples目录下看到新生成的test_simple.pdf文件。
！！！有时因为该文件夹下已有你要创建的文件的同名文件，这时候会报个错，并让你重新输一个名字，随便输入一个文件名，按回车即可。
这就是PlotNeuralNet自动生成的网络图。
下面的任务就是利用给的这个例子，我们来画自己的网络图，我们先整体看一下 test_simple.py 代码的内容。代码中给出了我的注释。
import sys
sys.path.append('../')
#pycore.tikzeng是发布者写的python接口，可以直接调用里面的函数来就行绘图，本博客末尾有解释
from pycore.tikzeng import *
#定义自己的网络图结构
arch = [
"""
前三行是一个初始化的过程，以后写自己的网络图照抄上去就行
"""
to_head( '..' ),
to_cor(),
to_begin(),
#添加一个卷积层conv1
to_Conv("conv1", 512, 64, offset="(0,0,0)", to="(0,0,0)", height=64, depth=64, width=2 ),
#添加一个池化层pool1
to_Pool("pool1", offset="(0,0,0)", to="(conv1-east)"),
#添加一个卷积层conv2
to_Conv("conv2", 128, 64, offset="(1,0,0)", to="(pool1-east)", height=32, depth=32, width=2 ),
#添加一个连接线，在pool1和conv2之间
to_connection( "pool1", "conv2"),
#添加一个池化层pool2
to_Pool("pool2", offset="(0,0,0)", to="(conv2-east)", height=28, depth=28, width=1),
#添加一个softmax层soft1
to_SoftMax("soft1", 10 ,"(3,0,0)", "(pool1-east)", caption="SOFT" ),
#添加一个连接线，在pool2和soft1之间
to_connection("pool2", "soft1"),
#添加一个 “+” 按钮sum1
to_Sum("sum1", offset="(1.5,0,0)", to="(soft1-east)", radius=2.5, opacity=0.6),
#添加一个连接线，在soft1和sum1之间
to_connection("soft1", "sum1"),
#结束
to_end()
]
#后面的东西在自己画图是直接粘贴过去就行
def main():
namefile = str(sys.argv[0]).split('.')[0]
to_generate(arch, namefile + '.tex' )
if __name__ == '__main__':
main()
下面对其中我认为重要的代码逐一进行一个详细的分析。
- 有时会在网络头部加上一张图片，PlotNeuralNet中也可以做到，
用to_input()函数。
#####################################################################
# 添加输入的图像到网络头部，使用函数to_input
# to_input(pathfile,to='(-3,0,0)', width=8, height=8, name="temp")
# pathfile--输入图片的路径，
# to="(-3,0,0)"--输入图片的坐标(x,y,z),
# width=16,height=16--图片显示时的宽和高,根据需要自己调节
# name--指名称
# 这行代码紧跟前三行的后面
#####################################################################
to_input('1.jpg',width=8, height=8),
- 卷积层添加
#####################################################################
# 添加卷积层
# to_Conv(name,s_filer=256,n_filer=64,offset="(0,0,0)",to="(0,0,0)",width=1,height=40, depth=40, caption=" ")
# name--名称
# s_filer--卷积层图像尺寸
# n_filer--卷积层图像深度(通道数)
# s_filer、n_filer指卷积层结构的参数,并非制图时的尺寸
# offset--与前一层分别在x,y,z方向的距离
# to--在x,y,z方向的坐标，
# offset、to的在后面会深入讲，你可以自己该不同的值试验一下，找规律
# width--制图时的厚度
# height、depth--制图时的长宽
# width、height、depth指在制图时,卷积层的尺寸
# caption--备注信息
#####################################################################
to_Conv("conv1", 512, 64, offset="(0,0,0)", to="(0,0,0)", height=64, depth=64, width=2 ),
效果图
注意一下，s_filer，n_filer指的是你在图中标注的尺寸大小，width,height, depth指的是在图中图形显示的实际厚、长与深度（宽）。
添加池化层的代码和参数如下：
#####################################################################
# 添加池化层
# to_Pool(name,offset="(0,0,0)",to="(0,0,0)",width=1,height=32,depth=32,opacity=0.5,caption=" ")
# 部分参数与卷积层相同
# opacity--透明度,0-1之间
# to="(conv1-east)"--在con1层的东侧
#####################################################################
to_Pool("pool1", offset="(0,0,0)",to="(conv1-east)",width=1, height=64, depth=64,opacity=0.9),
效果图：
在这里，着重讲一下offset、to这两个参数，使用它们可以调整层对应的位置：
to–在x，y，z方向的坐标，to="(conv1-east)"–可以表示在con1层的正东侧(放在平面上理解是右边，根据个人理解吧)，
通过offset的值获取偏移的距离，to的值可以体现相对于谁来进行偏移。比如：offset="(0,0,0)",to="(conv1-east)"
来看下这个代码，猜猜是什么效果：
to_Conv("conv1", 512, 64, offset="(0,0,0)", to="(0,0,0)", height=64, depth=64, width=2 ),
to_Pool("pool1", offset="(0,0,0)", to="(conv1-east)"),
to_Conv("conv2", 512, 64, offset="(5,0,0)", to="(0,0,0)", height=64, depth=64, width=2 ),
to_Pool("pool2", offset="(5,0,0)", to="(conv2-east)"),
这里创建了依次创建了卷积层conv1、池化层pool1、卷积层conv2、池化层pool2。
pool1在conv1的正东侧，偏移offset为0；
conv2在位置(0，0，0)（这里的坐标还没弄太明白，但是影响也不太大，等以后再进行研究一下，有大佬了解也请指点）处，相对偏移offset(5，0，0)，即在x方向(水平向右为x的正方向)平移5个单位(单位是啥不太清楚)；
pool2在conv2的正东侧，x方向上偏移offset为0。如下图所示：
有时候网络图并不是直线型的，需要有多尺度下采样啥的，也可以用offset来实现，举了个小例子，懂了原理后，可以自由发挥：
to_Conv("conv1", 512, 64, offset="(0,0,0)", to="(0,0,0)", height=64, depth=64, width=2 ),
to_Pool("pool1", offset="(0,0,0)", to="(conv1-east)"),
to_Conv("conv2", 512, 64, offset="(5,-10,0)", to="(conv1-east)", height=64, depth=64, width=2 ),
to_Pool("pool2", offset="(0,0,0)", to="(conv2-east)"),
效果图：
此外，层与层之间需要带箭头的线来连接，可以用到两个函数，比较简单：
to_connection()
to_skip()
#水平连接，参数为：起始位置、中止位置
to_connection("pool1", "conv2"),
to_connection("conv2","pool2"),
#跨连接，参数为：起始位置、中止位置，pos默认为1.25，可以自己调一调试试啥效果
to_skip(of = "pool1",to = "pool2",pos=1.25),
有了这些基本的认识，来画出一张简单的网络图来说问题就不大了。
这些函数都是在路径 ：PlotNeuralNet-master\pycore下的tikzeng.py与blocks.py中，博客中未提及的函数可以从tikzeng.py与blocks.py找到，对于每个函数自己都可以试一试，熟悉熟悉就会了，还可以自己定义自己的函数，方便用来画图。
参考博客：https://blog.csdn.net/qq_43790749/article/details/110590396?spm=1001.2014.3001.5502
427
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
