卷积神经网络工具PlotNeuralNet在Windows安装并使用

☆下山☆

已于 2022-10-03 14:09:30 修改

阅读量4.1k

点赞数 6

分类专栏：深度学习文章标签：神经网络 PlotNeuralNet 可视化工具

于 2022-10-03 13:34:23 首次发布

本文链接：https://blog.csdn.net/qq_45152498/article/details/127151080

版权

深度学习专栏收录该内容

19 篇文章 19 订阅

订阅专栏

一、安装Git

Git是一个开源的分布式版本控制系统，可以有效、高速地处理从很小到非常大的项目版本管理。也是Linus Torvalds为了帮助管理Linux内核开发而开发的一个开放源码的版本控制软件。用过的同学都知道，非常香！

安装地址：Git官网
在这里插入图片描述

二、安装MikTex

为什么要安装这个呢？为了让你的电脑解析Latex文件，因为这个模型是先用python脚本生成.tex文件（这个是Latex语言），当然如果有大佬直接手写Latex代码，此处可以略过！

安装地址：https://miktex.org/download
在这里插入图片描述

三、复制PlotNeuralNet源代码

给出GitHub上源代码的链接：https://github.com/HarisIqbal88/PlotNeuralNet
我们可以直接进入你想安装的目录执行：git clone https://github.com/HarisIqbal88/PlotNeuralNet.git
或者直接下载压缩文件。
在这里插入图片描述

四、使用PlotNeuralNet

我个人建议是将整个源代码放进一个Pycharm项目的，因为我们还需要自己编写python程序，给大家看看我的界面：

在这里插入图片描述

1.编写python脚本Unet.py

我们把它存放在个人项目文件夹my_project里面。

import sys
sys.path.append('../')
from pycore.tikzeng import *
from pycore.blocks  import *

arch = [ 
    # 开头
    to_head('..'), 
    to_cor(),
    to_begin(),
    
    #　添加输入层
    to_input( '../examples/fcn8s/cats.jpg' ),

    #  添加block1包含一个二重卷积接relu
    to_ConvConvRelu( name='ccr_b1', s_filer=500, n_filer=(64,64), offset="(0,0,0)", to="(0,0,0)", width=(2,2), height=40, depth=40  ),
    to_Pool(name="pool_b1", offset="(0,0,0)", to="(ccr_b1-east)", width=1, height=32, depth=32, opacity=0.5),
    #  添加三个block，每个包含三个二卷积加一池化
    *block_2ConvPool( name='b2', botton='pool_b1', top='pool_b2', s_filer=256, n_filer=128, offset="(1,0,0)", size=(32,32,3.5), opacity=0.5 ),
    *block_2ConvPool( name='b3', botton='pool_b2', top='pool_b3', s_filer=128, n_filer=256, offset="(1,0,0)", size=(25,25,4.5), opacity=0.5 ),
    *block_2ConvPool( name='b4', botton='pool_b3', top='pool_b4', s_filer=64,  n_filer=512, offset="(1,0,0)", size=(16,16,5.5), opacity=0.5 ),

    #  瓶颈，为block5
    to_ConvConvRelu( name='ccr_b5', s_filer=32, n_filer=(1024,1024), offset="(2,0,0)", to="(pool_b4-east)", width=(8,8), height=8, depth=8, caption="Bottleneck"  ),
    to_connection( "pool_b4", "ccr_b5"),

    #　解码器
    #  多个block，每个为unconv
    *block_Unconv( name="b6", botton="ccr_b5", top='end_b6', s_filer=64,  n_filer=512, offset="(2.1,0,0)", size=(16,16,5.0), opacity=0.5 ),
    to_skip( of='ccr_b4', to='ccr_res_b6', pos=1.25),
    *block_Unconv( name="b7", botton="end_b6", top='end_b7', s_filer=128, n_filer=256, offset="(2.1,0,0)", size=(25,25,4.5), opacity=0.5 ),
    to_skip( of='ccr_b3', to='ccr_res_b7', pos=1.25),    
    *block_Unconv( name="b8", botton="end_b7", top='end_b8', s_filer=256, n_filer=128, offset="(2.1,0,0)", size=(32,32,3.5), opacity=0.5 ),
    to_skip( of='ccr_b2', to='ccr_res_b8', pos=1.25),    
    
    *block_Unconv( name="b9", botton="end_b8", top='end_b9', s_filer=512, n_filer=64,  offset="(2.1,0,0)", size=(40,40,2.5), opacity=0.5 ),
    to_skip( of='ccr_b1', to='ccr_res_b9', pos=1.25),
    
    to_ConvSoftMax( name="soft1", s_filer=512, offset="(0.75,0,0)", to="(end_b9-east)", width=1, height=40, depth=40, caption="SOFT" ),
    to_connection( "end_b9", "soft1"),
    #  结束
    to_end() 
    ]


def main():
    namefile = str(sys.argv[0]).split('.')[0]
    to_generate(arch, namefile + '.tex' )

if __name__ == '__main__':
    main()