如何画神经网络模型图

最新推荐文章于 2024-07-26 14:50:49 发布
最新推荐文章于 2024-07-26 14:50:49 发布
阅读量1.2w 收藏 49
点赞数 12
分类专栏： 画神经网络结构图 深度学习入门 文章标签： 深度学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/m0_52571323/article/details/112574531
版权

网络上确实有很多画神经网络图的方法，我是一个初学者，仅仅只有一点Python基础，下面记录一下我自己第一次画神经网络结构图的方法和踩过的坑。

我的办法

按照网上各路大神提供的资料，我首先 尝试了graphviz，但是在安装成功后，尝试了网上的一个现成的代码。

digraph G {
	rankdir=LR
	splines=line
	nodesep=.05;
	node [label=""];

	subgraph cluster_0 {
	 color=white;
	 node [style=solid,color=blue4, shape=circle];
	 x1 x2 x3;
	 label = "layer 1";
	}

	subgraph cluster_1 {
	 color=white;
	 node [style=solid,color=red2, shape=circle];
	 a12 a22 a32 a42 a52;
	 label = "layer 2";
	}

	subgraph cluster_2 {
	 color=white;
	 node [style=solid,color=red2, shape=circle];
	 a13 a23 a33 a43 a53;
	 label = "layer 3";
	}

	subgraph cluster_3 {
	 color=white;
	 node [style=solid,color=seagreen2, shape=circle];
	 O1 O2 O3 O4;
	 label="layer 4";
	}

	x1 -> a12
	x1 -> a22
	x1 -> a32
	x1 -> a42
	x1 -> a52

	x2 -> a12
	x2 -> a22
	x2 -> a32
	x2 -> a42
	x2 -> a52

	x3 -> a12
	x3 -> a22
	x3 -> a32
	x3 -> a42
	x3 -> a52

	a12 -> a13
	a22 -> a13
	a32 -> a13
	a42 -> a13
	a52 -> a13

	a12 -> a23
	a22 -> a23
	a32 -> a23
	a42 -> a23
	a52 -> a23

	a12 -> a33
	a22 -> a33
	a32 -> a33
	a42 -> a33
	a52 -> a33

	a12 -> a43
	a22 -> a43
	a32 -> a43
	a42 -> a43
	a52 -> a43

	a12 -> a53
	a22 -> a53
	a32 -> a53
	a42 -> a53
	a52 -> a53

	a13 -> O1
	a23 -> O1
	a33 -> O1
	a43 -> O1
	a53 -> O1

	a13 -> O2
	a23 -> O2
	a33 -> O2
	a43 -> O2
	a53 -> O2

	a13 -> O3
	a23 -> O3
	a33 -> O3
	a43 -> O3
	a53 -> O3

	a13 -> O4
	a23 -> O4
	a33 -> O4
	a43 -> O4
	a53 -> O4
}

我配置好graphviz的开发环境之后，尝试着运行这个代码，但是提示语法错误。因为我没有从网上找到解决办法，自己也不会语法，就放弃了这个办法。

#########################################################################
之后我尝试了networkx + matplotlib，配置了这个需要的开发环境，也找到了可以顺利运行的代码：

import networkx as nx
import matplotlib.pyplot as plt
 
# 创建DAG
G = nx.DiGraph()
 
# 顶点列表
vertex_list = ['v'+str(i) for i in range(1, 22)]
# 添加顶点
G.add_nodes_from(vertex_list)
 
# 边列表
edge_list = [
             ('v1', 'v5'), ('v1', 'v6'), ('v1', 'v7'),('v1', 'v8'),('v1', 'v9'),
             ('v2', 'v5'), ('v2', 'v6'), ('v2', 'v7'),('v2', 'v8'),('v2', 'v9'),
             ('v3', 'v5'), ('v3', 'v6'), ('v3', 'v7'),('v3', 'v8'),('v3', 'v9'),
             ('v4', 'v5'), ('v4', 'v6'), ('v4', 'v7'),('v4', 'v8'),('v4', 'v9'),
             ('v5','v10'),('v5','v11'),('v5','v12'),('v5','v13'),('v5','v14'),('v5','v15'),
             ('v6','v10'),('v6','v11'),('v6','v12'),('v6','v13'),('v6','v14'),('v6','v15'),
             ('v7','v10'),('v7','v11'),('v7','v12'),('v7','v13'),('v7','v14'),('v7','v15'),
             ('v8','v10'),('v8','v11'),('v8','v12'),('v8','v13'),('v8','v14'),('v8','v15'),
             ('v9','v10'),('v9','v11'),('v9','v12'),('v9','v13'),('v9','v14'),('v9','v15'),
             ('v10','v16'),('v10','v17'),('v10','v18'),
             ('v11','v16'),('v11','v17'),('v11','v18'),
             ('v12','v16'),('v12','v17'),('v12','v18'),
             ('v13','v16'),('v13','v17'),('v13','v18'),
             ('v14','v16'),('v14','v17'),('v14','v18'),
             ('v15','v16'),('v15','v17'),('v15','v18'),
             ('v16','v19'),
             ('v17','v20'),
             ('v18','v21')
            ]
# 通过列表形式来添加边
G.add_edges_from(edge_list)
 
# 指定绘制DAG图时每个顶点的位置
pos = {
        'v1':(-2,1.5),
        'v2':(-2,0.5),
        'v3':(-2,-0.5),
        'v4':(-2,-1.5),
        'v5':(-1,2),
        'v6': (-1,1),
        'v7':(-1,0),
        'v8':(-1,-1),
        'v9':(-1,-2),
        'v10':(0,2.5),
        'v11':(0,1.5),
        'v12':(0,0.5),
        'v13':(0,-0.5),
        'v14':(0,-1.5),
        'v15':(0,-2.5),
        'v16':(1,1),
        'v17':(1,0),
        'v18':(1,-1),
        'v19':(2,1),
        'v20':(2,0),
        'v21':(2,-1)
       }
# 绘制DAG图
plt.title('DNN for iris')    #图片标题
plt.xlim(-2.2, 2.2)                     #设置X轴坐标范围
plt.ylim(-3, 3)                     #设置Y轴坐标范围
nx.draw(
        G,
        pos = pos,                      # 点的位置
        node_color = 'red',             # 顶点颜色
        edge_color = 'black',           # 边的颜色
        with_labels = True,             # 显示顶点标签
        font_size =10,                  # 文字大小
        node_size =300                  # 顶点大小
       )

###############################################################################
import cv2
import networkx as nx
import matplotlib.pyplot as plt
 
# 创建DAG
G = nx.DiGraph()
 
# 顶点列表
vertex_list = ['v'+str(i) for i in range(1, 22)]
# 添加顶点
G.add_nodes_from(vertex_list)
 
# 边列表
edge_list = [
             ('v1', 'v5'), ('v1', 'v6'), ('v1', 'v7'),('v1', 'v8'),('v1', 'v9'),
             ('v2', 'v5'), ('v2', 'v6'), ('v2', 'v7'),('v2', 'v8'),('v2', 'v9'),
             ('v3', 'v5'), ('v3', 'v6'), ('v3', 'v7'),('v3', 'v8'),('v3', 'v9'),
             ('v4', 'v5'), ('v4', 'v6'), ('v4', 'v7'),('v4', 'v8'),('v4', 'v9'),
             ('v5','v10'),('v5','v11'),('v5','v12'),('v5','v13'),('v5','v14'),('v5','v15'),
             ('v6','v10'),('v6','v11'),('v6','v12'),('v6','v13'),('v6','v14'),('v6','v15'),
             ('v7','v10'),('v7','v11'),('v7','v12'),('v7','v13'),('v7','v14'),('v7','v15'),
             ('v8','v10'),('v8','v11'),('v8','v12'),('v8','v13'),('v8','v14'),('v8','v15'),
             ('v9','v10'),('v9','v11'),('v9','v12'),('v9','v13'),('v9','v14'),('v9','v15'),
             ('v10','v16'),('v10','v17'),('v10','v18'),
             ('v11','v16'),('v11','v17'),('v11','v18'),
             ('v12','v16'),('v12','v17'),('v12','v18'),
             ('v13','v16'),('v13','v17'),('v13','v18'),
             ('v14','v16'),('v14','v17'),('v14','v18'),
             ('v15','v16'),('v15','v17'),('v15','v18'),
             ('v16','v19'),
             ('v17','v20'),
             ('v18','v21')
            ]
# 通过列表形式来添加边
G.add_edges_from(edge_list)
 
# 指定绘制DAG图时每个顶点的位置
pos = {
        'v1':(-2,1.5),
        'v2':(-2,0.5),
        'v3':(-2,-0.5),
        'v4':(-2,-1.5),
        'v5':(-1,2),
        'v6': (-1,1),
        'v7':(-1,0),
        'v8':(-1,-1),
        'v9':(-1,-2),
        'v10':(0,2.5),
        'v11':(0,1.5),
        'v12':(0,0.5),
        'v13':(0,-0.5),
        'v14':(0,-1.5),
        'v15':(0,-2.5),
        'v16':(1,1),
        'v17':(1,0),
        'v18':(1,-1),
        'v19':(2,1),
        'v20':(2,0),
        'v21':(2,-1)
       }
# 绘制DAG图
plt.title('DNN for iris')    #图片标题
plt.xlim(-2.2, 2.2)                     #设置X轴坐标范围
plt.ylim(-3, 3)                     #设置Y轴坐标范围
nx.draw(
        G,
        pos = pos,                      # 点的位置
        node_color = 'red',             # 顶点颜色
        edge_color = 'black',           # 边的颜色
        font_size =10,                  # 文字大小
        node_size =300                  # 顶点大小
       )
 
# 保存图片，图片大小为640*480
plt.savefig('E://data/DNN_sketch.png')
 
# 利用opencv模块对DNN框架添加文字注释
 
# 读取图片
imagepath = 'E://data/DNN_sketch.png'
image = cv2.imread(imagepath, 1)
 
# 输入层
cv2.rectangle(image, (85, 130), (120, 360), (255,0,0), 2)
cv2.putText(image, "Input Layer", (15, 390), 1, 1.5, (0, 255, 0), 2, 1)
 
# 隐藏层
cv2.rectangle(image, (190, 70), (360, 420), (255,0,0), 2)
cv2.putText(image, "Hidden Layer", (210, 450), 1, 1.5, (0, 255, 0), 2, 1)
 
# 输出层
cv2.rectangle(image, (420, 150), (460, 330), (255,0,0), 2)
cv2.putText(image, "Output Layer", (380, 360), 1, 1.5, (0, 255, 0), 2, 1)
 
# sofrmax层
cv2.rectangle(image, (530, 150), (570, 330), (255,0,0), 2)
cv2.putText(image, "Softmax Func", (450, 130), 1, 1.5, (0, 0, 255), 2, 1)
 
# 保存修改后的图片
cv2.imwrite('E://data/DNN.png', image)

运行也没有问题，但是我们写论文画神经网络图有自己的要求，需要一定的编程技术来需改程序，可惜我的编程能力只是菜鸟吧。

#########################################################################
终极大招
processon 这个网站是一个可以免费在线画图的网页，最终在免费模板的基础上画出了自己的神经网络图。在这里插入图片描述
关于前面碰到的问题，如果有大佬路过，还请大佬指点一二。最后还是感谢大家的阅读，要是能点赞收藏一二就更完美了。

老秦子弟
关注
专栏目录
如何绘制神经网络结构图,如何设计神经网络结构
super339的博客
08-11 3774
第二，在程序退出时，训练好的模型就无法再利用，且大型神经网络的训练时间都比较长，在训练过程中需要每隔一段时间保存一次模型训练的中间结果，这样如果在训练过程中程序死机，死机前的最新的模型参数仍能保留，杜绝了时间和资源的浪费。二、分析与改进设计1.程序分析改进第一，计算前向传播的函数inference中需要将所有的变量以参数的形式传入函数，当神经网络结构变得更加复杂、参数更多的时候，程序的可读性将变得非常差。第三，将训练和测试分成两个独立的程序，将训练和测试都会用到的前向传播的过程抽象成单独的库函数。...
神经网络示意图怎么画,ppt画神经网络模型图
神经网络爱好者
08-22 2690
Theneuron--------------------------------------------------------------------------------虽然已经确认在我们的大脑中有大约50至500种不同的神经元，但它们大部份都是基于基本神经元的特别细胞。Introduction--------------------------------------------------------------------------------神经网络是新技术领域中的一个时尚词汇。
论文中绘制神经网络工具汇总
热门推荐
WZZ18191171661的博客
02-22 5万+
作为一名科研人员，也许你经常会在不同类型的论文中看到各种令人称赞的算法框图或者神经网络框图，作为一名AI从业者，你经常需要在你的论文、Poster或者Slide中添加一些神经网络框图，作为新手的我也经常遇到这个问题，但是一直并没有找到一个好的工具，很多大佬们都说利用PPT或者Visio等就能绘制成功，我的想法是这样的，尽管很多工具都能完成同样的一项工作，但是它们的效果和效率肯定是不一样的，你用Vi...
如何用Visio绘制神经网络结构图！
最新发布
weixin_44578481的博客
07-26 1274
简单的入门神经网络图二维平面神经网络图三维立体神经网络图。
手把手教你用Python绘制神经网络图
Lov1_BYS的博客
10-15 3378
使用Python快捷绘制神经网络结构图
计算机专业中怎么样绘制神经网络结构图
张齐贤的博客
12-07 2万+
第一个ConvNetDraw： 两颗星** https://cbovar.github.io/ConvNetDraw/ 在线的，不过只能绘制这种简单的图，可以增加卷积层，池化啥的，左边可以选择调节角度， 第二个CNN Convoluter：两颗星** https://pwwang.github.io/cnn-convoluter/ 也是一个在线的网址，左边选择hide data 也就是不隐藏数据，在input中输入padding的大小，右边图中就会显示出来，在设置卷积核的尺寸 就可以动态的看到outpu
「保姆级教程」进来教你0基础画出超好看的神经网络模型结构PlotNeuralNet+ChatGPT
2301_77017955的博客
04-18 4225
PlotNeuralNet的核心功能是提供一种快速绘制神经网络结构的方法。它支持多种类型的神经网络，包括卷积神经网络（CNN）、循环神经网络（RNN）和生成对抗网络（GAN）。用户可以通过简单的配置文件定义网络结构，而无需编写复杂数学公式或代码。此外，PlotNeuralNet还提供了丰富的自定义选项，允许用户调整颜色、字体和布局等细节，以满足不同的需求和风格。
一个RBSCI神经网络的基本构成是什么
神经网络爱好者
07-09 446
神经网络是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。生物神经网络主要是指人脑的神经网络，它是人工神经网络的技术原型。人脑是人类思维的物质基础，思维的功能定位在大脑皮层，后者含有大约10^11个神经元，每个神经元又通过神经突触与大约103个其它神经元相连，形成一个高度复杂高度灵活的动态网络。作为一门学科，生物神经网络主要研究人脑神经网络的结构、功能及其工作机制，意在探索人脑思维和智能活动的规律
神经网络建模的建模步骤,神经网络模型图怎么画
xilao138的博客
09-09 769
它比普通的函数多了一个学习的过程。
神经网络模型图怎么画,神经网络模型流程图
Supermen333的博客
08-14 563
/神经网络各层节点publicdouble[][]layerErr;为了方便观察数据分布，我们选用一个二维坐标的数据，下面共有4个数据，方块代表数据的类型为1，三角代表数据的类型为0，可以看到属于方块类型的数据有（1，2）和（2，1），属于三角类型的数据有（1，1），（2，2），现在问题是需要在平面上将4个数据分成1和0两类，并以此来预测新的数据的类型。通常的做法是采用大量的人脸数据，把这些已经标注好的数据放到这个模型当中，然后告诉它哪一个人的照片跟另外一张是同一个人，通过不断的训练他就记住了人的特征。..
latex画计算机网络图,使用Latex自动画神经网络模型图
weixin_29769523的博客
06-27 1318
上面的神经网络图好看吧，这是怎么画出来的呢？今天给大家介绍一个牛逼的开源库，它提供了latex源码直接生成这样的神经网络图，开源库地址。我们来看一下用法以及怎样修改源码来表达我们自己的网络。(下文默认使用的是Windows操作系统，其他操作系统的方式可以参考源码)安装：1)下载安装MikTeX，这个软件与Tex Studio一样，是一个latex的开发IDE，与tex studio的区别就是更加轻...
LaTeX画神经网络图
07-06
LaTeX画神经网络图
神经网络模型图怎么画,图像识别神经网络模型
ynca67269的博客
08-19 772
常见的神经网络结构。BP算法的基本思想是：学习过程由信号正向传播与误差的反向回传两个部分组成；正向传播时，输入样本从输入层传入，经各隐层依次逐层处理，传向输出层，若输出层输出与期望不符，则将误差作为调整信号逐层反向回传，对神经元之间的连接权矩阵做出处理，使误差减小。经反复学习，最终使误差减小到可接受的范围。具体步骤如下：1、从训练集中取出某一样本，把信息输入网络中。2、通过各节点间的连接情况正向逐层处理后，得到神经网络的实际输出。3、计算网络实际输出与期望输出的误差。
如何画出漂亮的神经网络图？
weixin_44114030的博客
11-28 2100
转自：https://zhuanlan.zhihu.com/p/148896017昨天找的的深度学习模型图的模板大家还是蛮喜欢的最接对绘图需求蛮多，论文了，报告了，神经网络图怎么绘制还是问题，于是我又去找了一下，在Github上又找到了一些神经网络绘图的工具，简直太棒了。
如何画出高级酷炫的神经网络图？优秀程序员都用了这几个工具
AI科技大本营
09-16 1万+
（图片付费下载于视觉中国）作者 |言有三来源 |有三AI（ID：yanyousan_ai）【导读】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...
神经网络---画图
fhzmsj2008Plus的博客
05-04 575
神经网络画图的方法有很多种，这里主要推荐的是用 PPT 画图， 比如 主要使用的工具呢就是 红框框里面的工具。 但是画图的图片怎么插入 latex 呢，这里的一个办法https://www.cs.bu.edu/~reyzin/pictips.html 就是 PPT 转成 PDF，Adobe Acrobat 具有对 PPT 进行裁剪的功能， 上面红色框框里面的工具可以裁剪 pdf 页面...
如何绘制神经网络图,图嵌入 图神经网络
ynca67269的博客
09-01 1635
------------------------------------------------------------------------基本形式>>y=[00.580.700.950.830.25];>>plot(t,y,'^')%只画△点>>plot(t,y,'r^-')%画红色、△、实线。具体方法有以下三个：plot(x,y,s)plot(x,y)plot(x1,y1,s1,x2,y2,s2,...,xn,yn,sn)其中的s为限制线的因素：y黄色m洋红色c蓝绿色r红色.点。...
神经网络图用什么软件做,神经网络示意图怎么画
xilao138的博客
08-26 1189
除了MATLAB能做BP神经网络，还有其他什么软件能做理论上编程语言都可以，比如VB，C语言，过程也都是建模、量化、运算及结果输出（图、表），但是matlab发展到现在，集成了很多的工具箱，所以用的最为广泛，用其他的就得是要从源码开发入手了，何必舍近求远。唯一遗憾的是，这款App是收费的，可以**试用两周，如果你是思维导图重度用户，它值得你入手。它的特点是功能足够广，但是每一项的功能都称不上最强大，如果你不想注册太多的网址，想要一站式使用各种画图工具，那么ProcessOn是最佳选择。...
python画神经网络模型图
05-25
Python有多个库可以用来绘制神经网络模型图，其中最常用的有matplotlib、graphviz和pydot等，以下是使用matplotlib的示例代码： ```python import matplotlib.pyplot as plt import numpy as np input_size = 784 hidden_size = 100 output_size = 10 def plot_network(): # 创建一个新的图像 fig, ax = plt.subplots() # 隐藏块中的节点 hidden_layer = np.ones((hidden_size)) # 输出块中的节点 output_layer = np.ones((output_size)) # 绘制输入层到隐藏层的连接线 for i in range(input_size): for j in range(hidden_size): ax.plot([0, 1], [i, j + input_size], 'b', alpha=0.1) # 绘制隐藏层节点 for i in range(hidden_size): ax.scatter([1], [i + input_size], c='r') # 绘制隐藏层到输出层的连接线 for i in range(hidden_size): for j in range(output_size): ax.plot([1, 2], [i + input_size, j + input_size + hidden_size], 'g', alpha=0.1) # 绘制输出层节点 for i in range(output_size): ax.scatter([2], [i + input_size + hidden_size], c='b') # 设置图像属性 ax.set_xlim(-0.5, 2.5) ax.set_ylim(-0.5, input_size + hidden_size + output_size - 0.5) ax.axis('off') plt.show() plot_network() ``` 这个代码会生成一个简单的三层神经网络模型图，其中输入层有784个节点，隐藏层有100个节点，输出层有10个节点。你可以根据自己的需要进行更改。
评论 3
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值