深度学习之网络结构可视化

0、前言

本文主要介绍神经网络中网络结构的可视化，其主要内容包括可视化的基本格式以及现有可视化的工具介绍。

1、神经网络图结构可视化

1.1 基本格式

（1）深度学习框架自带（keras、pytorch)
直接打印网络：

tensorflow（tensorboard)、pytorch(tensorboardX、visdom)
说实话有点混乱，个人觉得不太好用

（2）FCNN style(图节点方式，适合传统全连接神经网络的绘制）

（3） LeNet style(平面图格式，用二维方式，适合查看每一层特征图的大小和通道数）

（4） AlexNet style(三维立体图格式，可以更加真实地显示卷积过程中高维数据的尺度变化，但目前仅只支持卷积层和全连接层）

1.2 结构图可视化工具

工具较多，这里有一篇比较详细的介绍文章：论文中绘制神经网络工具汇中：链接地址
除了神经网络框架自带，比较简单的一些可视化工具且都支持网页操作的有：
1、NN-SVG
支持三种神经网络结构绘制风格，参数调节也很方便
github ：https://github.com/zfrenchee
web在线使用：http://alexlenail.me/NN-SVG/
2、ConvNetDraw
ConvNetDraw是一个使用配置命令的CNN神经网络画图工具，命令简单，只需输入模型结构中各层的参数配置，但是它目标分辨率太低了，放大之后不清晰，达不到印刷的需求。
https://cbovar.github.io/ConvNetDraw/

3、Netron
这是一款模型可视化神器，只需要导入生成的模型状态文件即可，支持网页上操作，支持特别多的模型保存格式：如ONNX (.onnx, .pb, .pbtxt), Keras (.h5, .keras), CoreML (.mlmodel), Caffe2(predict_net.pb, predict_net.pbtxt), MXNet (.model, -symbol.json) and TensorFlow Lite (.tflite). Netron has experimental support for Caffe (.caffemodel, .prototxt), PyTorch (.pth), Torch (.t7), CNTK(.model, .cntk), PaddlePaddle (model), Darknet (.cfg), scikit-learn (.pkl), TensorFlow.js(model.json, .pb) and TensorFlow (.pb, .meta, .pbtxt).
1、Netron官网-https://electronjs.org/apps/netron
2、Netron的github-https://github.com/lutzroeder/netron
3、Netron的在线界面-https://lutzroeder.github.io/netron/

4、PPT
这个据说是最为简单的画图工具，推荐一个链接：ppt画图

小结

俗话说一图胜千言，尤其是现在这个繁多且杂乱的大数据时代，如何有效的提取出有用数据并且形象的表示出来就格外重要。神经网络想必大家既熟悉又陌生，不少人入坑深度学习，了解其网络架构，但是不明白其实现机制，也就是外界所说的黑箱操作。现在有不少人在进行深度学习的可视化工作，但前路任重而道远。