保举5款好用的深度学习框架绘制东西（含教程）

meng1991

1.Diagram

亮点：diagrams.net （以前称为draw.io）是一个免费的拖放式在线图表东西，使用无代码 http://diagrams.net 东西通过图表可视化绘制深度学习模型，允许用户创建流程图、生成网络和实体关系 (ER) 图，甚至设计数据库模式。包罗其易用性以及与 GitHub、OneDrive 和 Google Drive 等常见平台的无缝集成



面板

使用教程：diagrams画图保姆级教程_哔哩哔哩_bilibili
2.Inkscape

亮点：基于免费矢量的图像编纂器，Inkscape 是可以安装在 Apple、Windows 或 GNU/Linux 设备上的专用软件。 由于它允许设计的图表数量，从地图到徽标，初学者和专家的选择。



chrisolah 大佬用来描述 LSTM

使用教程：Inkscape使用教程_哔哩哔哩_bilibili
3.PlotNeuralNet

亮点：脚本化，使用LaTex编写或者使用Python脚本编写布局模型，自由度高(直接网络布局代码生成可视化图，真香)。很多论文的插图就是使用这个东西可视化的。
代码2-unet.py
  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()
      运行：python 2-unet.py  即可生成：



u-net网络布局

使用教程：使用PlotNeuralNet绘制深度学习网络图
4.PPT

亮点：上手快，便于操作



ppt画图

使用教程：ppt画深度学习网络图_哔哩哔哩
5.Visio

亮点：Visio更适合新手上手，绘制复杂项目的流程图和线框，因为更赞的模板；更丰硕的共享组件、布局；更便当的多人协作（操作library）



Visio画图

使用教程：用Visio绘制神经网络布局图_哔哩哔哩
其他参考：

• 22 款神经网络的设计和可视化东西
  
• 那些酷炫的深度学习网络图怎么画出来的
  
• 有什么神经网络布局图的画图东西值得保举吗
  

pkmeimei

赞