用Python编写CNN的网络结构（便于进行网络分析和论文书写）

最新推荐文章于 2023-10-15 09:10:15 发布
最新推荐文章于 2023-10-15 09:10:15 发布
阅读量3k 收藏 9
点赞数 1
分类专栏： DeepLearning
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/zjguilai/article/details/91376635
版权

draw_convnet

Python script for illustrating Convolutional Neural Network (ConvNet)

Example image

With flag_omit=False

With flag_omit=True

代码：

from matplotlib.patches import Circle
from matplotlib.patches import Rectangle
from matplotlib.lines import Line2D
import os
import numpy as np
import matplotlib.pyplot as plt

plt.rcdefaults()  # 初始化

NumDots = 4
NumConvMax = 8
NumFcMax = 20

White = 1.
Light = 0.7
Medium = 0.5

Dark = 0.3
Darker = 0.15
Black = 0.


def add_layer(patches, colors, size=(24, 24), num=5,
              top_left=[0, 0],
              loc_diff=[3, -3],
              ):
    # add a rectangle
    top_left = np.array(top_left)
    loc_diff = np.array(loc_diff)
    loc_start = top_left - np.array([0, size[0]])
    for ind in range(num):
        patches.append(Rectangle(loc_start + ind * loc_diff, size[1], size[0]))
        if ind % 2:
            colors.append(Medium)
        else:
            colors.append(Light)


def add_layer_with_omission(
    patches, colors, size=(
        24, 24), num=5, num_max=8, num_dots=4, top_left=[
            0, 0], loc_diff=[
                3, -3], ):
    # add a rectangle
    top_left = np.array(top_left)
    loc_diff = np.array(loc_diff)
    loc_start = top_left - np.array([0, size[0]])
    this_num = min(num, num_max)
    start_omit = (this_num - num_dots) // 2
    end_omit = this_num - start_omit
    start_omit -= 1
    for ind in range(this_num):
        if (num > num_max) and (start_omit < ind < end_omit):
            omit = True
        else:
            omit = False

        if omit:
            patches.append(
                Circle(loc_start + ind * loc_diff + np.array(size) / 2, 0.5))
        else:
            patches.append(Rectangle(loc_start + ind * loc_diff,
                                     size[1], size[0]))

        if omit:
            colors.append(Black)
        elif ind % 2:
            colors.append(Medium)
        else:
            colors.append(Light)


def add_mapping(patches, colors, start_ratio, end_ratio, patch_size, ind_bgn,
                top_left_list, loc_diff_list, num_show_list, size_list):

    start_loc = top_left_list[ind_bgn] \
        + (num_show_list[ind_bgn] - 1) * np.array(loc_diff_list[ind_bgn]) \
        + np.array([start_ratio[0] * (size_list[ind_bgn][1] - patch_size[1]),
                    - start_ratio[1] * (size_list[ind_bgn][0] - patch_size[0])]
                   )

    end_loc = top_left_list[ind_bgn + 1] \
        + (num_show_list[ind_bgn + 1] - 1) * np.array(
            loc_diff_list[ind_bgn + 1]) \
        + np.array([end_ratio[0] * size_list[ind_bgn + 1][1],
                    - end_ratio[1] * size_list[ind_bgn + 1][0]])

    patches.append(Rectangle(start_loc, patch_size[1], -patch_size[0]))
    colors.append(Dark)
    patches.append(Line2D([start_loc[0], end_loc[0]],
                          [start_loc[1], end_loc[1]]))
    colors.append(Darker)
    patches.append(Line2D([start_loc[0] + patch_size[1], end_loc[0]],
                          [start_loc[1], end_loc[1]]))
    colors.append(Darker)
    patches.append(Line2D([start_loc[0], end_loc[0]],
                          [start_loc[1] - patch_size[0], end_loc[1]]))
    colors.append(Darker)
    patches.append(Line2D([start_loc[0] + patch_size[1], end_loc[0]],
                          [start_loc[1] - patch_size[0], end_loc[1]]))
    colors.append(Darker)


def label(xy, text, xy_off=[0, 4]):
    plt.text(xy[0] + xy_off[0], xy[1] + xy_off[1], text,
             family='sans-serif', size=8)


if __name__ == '__main__':

    fc_unit_size = 2
    layer_width = 40
    flag_omit = True

    patches = []
    colors = []

    fig, ax = plt.subplots()

    ############################
    # conv layers
    size_list = [(32, 32), (18, 18), (10, 10), (6, 6), (4, 4)]
    num_list = [3, 32, 32, 48, 48]
    x_diff_list = [0, layer_width, layer_width, layer_width, layer_width]
    text_list = ['Inputs'] + ['Feature\nmaps'] * (len(size_list) - 1)
    loc_diff_list = [[3, -3]] * len(size_list)

    num_show_list = list(map(min, num_list, [NumConvMax] * len(num_list)))
    top_left_list = np.c_[np.cumsum(x_diff_list), np.zeros(len(x_diff_list))]

    for ind in range(len(size_list) - 1, -1, -1):
        if flag_omit:
            add_layer_with_omission(patches, colors, size=size_list[ind],
                                    num=num_list[ind],
                                    num_max=NumConvMax,
                                    num_dots=NumDots,
                                    top_left=top_left_list[ind],
                                    loc_diff=loc_diff_list[ind])
        else:
            add_layer(patches, colors, size=size_list[ind],
                      num=num_show_list[ind],
                      top_left=top_left_list[ind], loc_diff=loc_diff_list[ind])
        label(top_left_list[ind], text_list[ind] + '\n{}@{}x{}'.format(
            num_list[ind], size_list[ind][0], size_list[ind][1]))

    ############################
    # in between layers
    start_ratio_list = [[0.4, 0.5], [0.4, 0.8], [0.4, 0.5], [0.4, 0.8]]
    end_ratio_list = [[0.4, 0.5], [0.4, 0.8], [0.4, 0.5], [0.4, 0.8]]
    patch_size_list = [(5, 5), (2, 2), (5, 5), (2, 2)]
    ind_bgn_list = range(len(patch_size_list))
    text_list = ['Convolution', 'Max-pooling', 'Convolution', 'Max-pooling']

    for ind in range(len(patch_size_list)):
        add_mapping(
            patches, colors, start_ratio_list[ind], end_ratio_list[ind],
            patch_size_list[ind], ind,
            top_left_list, loc_diff_list, num_show_list, size_list)
        label(top_left_list[ind], text_list[ind] + '\n{}x{} kernel'.format(
            patch_size_list[ind][0], patch_size_list[ind][1]), xy_off=[26, -65]
        )

    ############################
    # fully connected layers
    size_list = [(fc_unit_size, fc_unit_size)] * 3
    num_list = [768, 500, 2]
    num_show_list = list(map(min, num_list, [NumFcMax] * len(num_list)))
    x_diff_list = [sum(x_diff_list) + layer_width, layer_width, layer_width]
    top_left_list = np.c_[np.cumsum(x_diff_list), np.zeros(len(x_diff_list))]
    loc_diff_list = [[fc_unit_size, -fc_unit_size]] * len(top_left_list)
    text_list = ['Hidden\nunits'] * (len(size_list) - 1) + ['Outputs']

    for ind in range(len(size_list)):
        if flag_omit:
            add_layer_with_omission(patches, colors, size=size_list[ind],
                                    num=num_list[ind],
                                    num_max=NumFcMax,
                                    num_dots=NumDots,
                                    top_left=top_left_list[ind],
                                    loc_diff=loc_diff_list[ind])
        else:
            add_layer(patches, colors, size=size_list[ind],
                      num=num_show_list[ind],
                      top_left=top_left_list[ind],
                      loc_diff=loc_diff_list[ind])
        label(top_left_list[ind], text_list[ind] + '\n{}'.format(
            num_list[ind]))

    text_list = ['Flatten\n', 'Fully\nconnected', 'Fully\nconnected']

    for ind in range(len(size_list)):
        label(top_left_list[ind], text_list[ind], xy_off=[-10, -65])

    ############################
    for patch, color in zip(patches, colors):
        patch.set_color(color * np.ones(3))
        if isinstance(patch, Line2D):
            ax.add_line(patch)
        else:
            patch.set_edgecolor(Black * np.ones(3))
            ax.add_patch(patch)

    plt.tight_layout()
    plt.axis('equal')
    plt.axis('off')
    plt.show()
    fig.set_size_inches(8, 2.5)

    fig_dir = './'
    fig_ext = '.png'
    fig.savefig(os.path.join(fig_dir, 'convnet_fig' + fig_ext),
                bbox_inches='tight', pad_inches=0)

在这里插入图片描述

zjguilai
关注
  • 1
    点赞
  • 踩
  • 9
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
仿射和弹性变换（affine and elastic transform）的python实现
南七小僧的学海无涯
07-15 1121
https://blog.csdn.net/maliang_1993/article/details/82020596 仿射变换： 相当于对于图像做了一个平移、旋转、放缩、剪切、对称。与刚体变换相同的是，可以保持线点之间的平行和共线关系。即，原来平行的直线变化后还是平行的。但是和刚体变换不同的是线段之间的长度会发生变化。 仿射变换是指在几何中，一个向量空间进行一次线性变换并接上...
如何用python搭建神经网络,python画神经网络结构图
aifans_bert的博客
10-03 1805
建议从单一的感知机Perceptron出发，继而认识到Decision Boundary(判别边界),以及最简单的一些“监督训练”的概念等，有机器学习的基础最好。假如Hopfield神经网络是一个收敛的稳定网络，则这个反馈与迭代的计算过程所产生的变化越来越小，一旦达到了稳定的平衡状态，Hopfield网络就会输出一个稳定的恒值。其次至少需要具备一些适用于研究的编程语言的技能，例如python，matlab，（C++也可行）等，哪怕不自己实现最简单的神经网络而是用API，也是需要一定计算机能力才能应用之。
深度学习检测不准确智能电表:一个案例研究 python源代码 根据用电情况检测出故障的智能电表，并针对其进行更换
2301_76879793的博客
03-07 156
为此，我们开发了一种基于长短期记忆(long -term memory, LSTM)和改进的卷积神经网络(convolutional neural network, CNN)的故障智能电表深度学习检测方法。我们提出了一种时间序列递归图(TS-RP) CNN，将连续的原始电力数据及其相空间递归图作为CNN的双重输入分支。如果预测值在一段时间内与主抄表数据存在显著差异，则启动诊断部分，基于CNN对每个子表进行分类，识别出故障子表。根据用电情况检测出故障的智能电表，并针对其进行更换，可以节省大量的资源。
Convolutional neural networks(CNN) (十一) Convolution and Pooling Exercise
ColdCode's Hello World~
08-26 743
{作为CNN学习入门的一部分，笔者在这里逐步给出UFLDL的各章节Exercise的个人代码实现，供大家参考指正} 理论部分可以在线参阅(页面最下方有中文选项)Feature extraction using convolution 以及 Pooling 部分内容 Note: UFLDL中对Conv的计算方法与CS231n中的表述稍有不同，这里是对图像RGB三
手把手教你用Python绘制神经网络图
Lov1_BYS的博客
10-15 2100
使用Python快捷绘制神经网络结构图
使用NetworkX绘制深度神经网络结构图
Python中文社区
02-27 3026
  Illustrations bytEn♚作者：jclian，喜欢算法，热爱分享，希望能结交更多志同道合的朋友，一起在学习Python的道路上走得更远！文末送书活动...
使用plot_model绘制神经网络结构图
qq_41904729的博客
06-08 1350
必要准备 1.安装pydot pip install pydot 2.安装GraphViz 绘图代码 from keras.preprocessing.text import Tokenizer from keras.preprocessing.sequence import pad_sequences from keras.layers import Dense, Input, LSTM, Lambda, Embedding, Dropout, Activation,GRU,Bidirect
【图解例说机器学习】神经网络 (Neural Networks)
青峰碧陋室
06-09 1375
神经网络是由具有适应性的简单单元组成的广泛并行互连的网络，它的组织能够模拟生物神经系统对真实世界物体所作出的交互反应。 --Kohonen, 1988 一层神经网络：感知机与逻辑回归 M-P神经元模型 1943年，McCulloch和Pitts提出了沿用至今的M-P神经元。在这个模型中，神经元接收来自其他MMM个神经元传递过来的输入信号x(j),j=1,2,⋯ ,Mx^{(j)},j=1,2,\cdots,Mx(j),j=1,2,⋯,M， 这些输入信号通过带权重ωj\omega_jωj​的连接进.
python画神经网络结构图_画出神经网络结构图
weixin_39632212的博客
12-02 1684
学习资料:使用 Viznet 画出神经网络结构图''''''import numpy as npfrom viznet import connecta2a, node_sequence, NodeBrush, EdgeBrush, DynamicShowdef draw_feed_forward(ax, num_node_list):'''draw a feed forward neural ne...
基于Python的卷积神经网络（CNN）机器学习论文设计源码
04-11
本源码提供了一个基于Python的卷积神经网络（CNN）机器学习...这个项目是一个基于Python的卷积神经网络（CNN）机器学习论文项目，可能包括数据处理、模型训练、预测等功能，适合用于机器学习和深度学习的研究和开发。
python编写卷积结构_CNN_卷积神经网络_源码
10-04
使用python语言编写卷积神经网络的卷积结构。
【项目实战】Python基于卷积神经网络CNN模型和VGG16模型进行图片识别项目实战
02-14
资料说明：包括数据+代码+文档+代码讲解。 1.项目背景 2.数据获取 3.数据预处理 4.探索性数据分析 5.特征工程 6.构建模型 7.结论与展望
基于Python和Numpy的CNN神经网络框架设计源码
最新发布
04-14
本项目是基于Python和Numpy的CNN神经网络框架设计源码，共有60个文件，包括14个Python文件、13个Pyc文件等。系统提供了一个CNN神经网络的实现框架，使用户能够轻松地学习和使用。系统的设计注重代码的可读性和可维护...
基于python+CNN的网络入侵检测算法源码+项目说明.zip
01-24
基于python+CNN的网络入侵检测算法源码+项目说明.zip基于python+CNN的网络入侵检测算法源码+项目说明.zip基于python+CNN的网络入侵检测算法源码+项目说明.zip基于python+CNN的网络入侵检测算法源码+项目说明.zip基于...
Residual Network - python01
Xwei1226的博客
08-14 316
Residual Networks Andrew Ng deeplearning courese-4:Convolutional Neural Network Convolutional Neural Networks: Step by Step Convolutional Neural Networks: Application Residual Networks Autonomous...
Python绘制神经网络模型图
Gefangenes的博客
06-02 1016
否则绘图结果会出现问题——这就显得这一可视化方法稍微有点鸡肋了，但是其对于基本的神经网络绘图而言其实也已经很不错了。这就不对了，明明在进行深度神经网络构建时都没有出现问题，甚至在这一句报错的下方连。就是我们已经建立好的神经网络模型，任意神经网络模型均可——可以是一个简单的。接下来，经过多次尝试发现，这一方法进行神经网络可视化时，一是。阅读软件中，如下图（版面有限，这里就只是绘图结果的一部分）。的直接可视化，过程较为方便，本文对此加以详细介绍。的神经网络可视化，可以查看我们后期的博客。
卷积神经网络模型之——LeNet网络结构与代码实现
1+1=王的博客
07-04 4331
LeNet原文地址：https://ieeexplore.ieee.org/abstract/document/726791 LeNet可以说是卷积神经网络的“HelloWorld”，它通过巧妙的设计，利用卷积、池化等操作提取特征，再使用全连接神经网络进行分类。Lenet是一个 7 层的神经网络（不包含输入层），包含 3 个卷积层，2 个池化层，2 个全连接层。它的网络结构图如下所示： 第0层：输入 输入的原始图像大小是32×32像素的3通道图像。C1是一个卷积层，卷积核大小为5，输入大小为3X32X32，
使用python对对网络流量数据进行可视化和分析
06-07
网络流量数据可视化和分析是网络安全和网络管理中非常重要的一部分。以下是一些使用 Python 进行网络流量数据可视化和分析的常用库和工具： 1. Scapy：Scapy 是一个 Python 库，用于对网络数据包进行捕获、解析和分析。使用 Scapy 可以捕获网络流量数据，然后对数据进行可视化和分析。 2. Pandas：Pandas 是一个 Python 库，用于数据处理和分析。使用 Pandas 可以轻松地将网络流量数据导入到 DataFrame 中进行处理和分析。 3. Matplotlib：Matplotlib 是一个 Python 库，用于数据可视化。使用 Matplotlib 可以创建各种图表，如折线图、散点图、柱状图等，以展示网络流量数据的趋势和模式。 4. Seaborn：Seaborn 是一个基于 Matplotlib 的 Python 库，用于数据可视化。Seaborn 提供了更多的数据可视化选项，如热力图、密度图、分布图等，以展示网络流量数据的分布和关系。 5. Plotly：Plotly 是一个交互式数据可视化工具，可以使用 Python 进行数据可视化。使用 Plotly 可以创建交互式图表，如地图、时间序列图、3D 图表等，以帮助用户更好地理解网络流量数据。 这些库和工具可以帮助用户对网络流量数据进行可视化和分析，以帮助网络管理员和安全专家更好地了解网络流量的趋势和模式，从而更好地保护网络安全。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
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