深度学习领域，最常见的就是各种网络模型，那么在写论文或者文章，介绍网络模型的时候，最好的办法当然就是展示代码画图，给大家分享23个设计和可视化网络结构的工具，希望对大家有所帮助。
Github: https://github.com/gwding/draw_convnet
star 数量：1.7k+
这个工具最后一次更新是2018年的时候，一个Python脚本来绘制卷积神经网络的工具，效果如下所示：
网址：https://alexlenail.me/NN-SVG/LeNet.html
这个工具有 3 种网络结构风格，分别如下所示：
LeNet 类型：
AlexNet 类型：
FCNN 类型：
GitHub 地址：https://github.com/HarisIqbal88/PlotNeuralNet
star 数量：8.2k+
这个工具是基于 Latex 代码实现的用于绘制网络结构，可以看看使用例子看看这些网络结构图是如何绘制出来的。
效果如下所示：
这里给出在 Ubuntu 和 windows 两个系统的安装方式：
ubuntu 16.04
Ubuntu 18.04.2 是基于这个网站：https://gist.github.com/rain1024/98dd5e2c6c8c28f9ea9d，安装命令如下：
-
首先下载并安装 MikTex，下载网站：https://miktex.org/download
-
其次，下载并安装 windows 的 bash 运行器，推荐这两个：
安装完后就是使用，按照如下所示即可：
-
先创建新的文件夹，并生成一个新的 python 代码文件：
-
然后在新的代码文件
my_arch.py中添加这段代码，用于定义你的网络结构，主要是不同类型网络层的参数，包括输入输出数量、卷积核数量等
import sys sys.path.append('../') from pycore.tikzeng import * defined your arch arch = [ to_head( '..' ), to_cor(), to_begin(), to_Conv("conv1", 512, 64, offset="(0,0,0)", to="(0,0,0)", height=64, depth=64, width=2 ), to_Pool("pool1", offset="(0,0,0)", to="(conv1-east)"), to_Conv("conv2", 128, 64, offset="(1,0,0)", to="(pool1-east)", height=32, depth=32, width=2 ), to_connection( "pool1", "conv2"), to_Pool("pool2", offset="(0,0,0)", to="(conv2-east)", height=28, depth=28, width=1), to_SoftMax("soft1", 10 ,"(3,0,0)", "(pool1-east)", caption="SOFT" ), to_connection("pool2", "soft1"), to_end() ] def main(): namefile = str(sys.argv[0]).split('.')[0] to_generate(arch, namefile + '.tex' ) if name == ' __main__ ': main()
- 最后，运行脚本
https://www.tensorflow.org/tensorboard/graphs?hl=zh-cn
使用过 TensorFlow 的都应该知道这个绘图工具，TensorFlow 的可视化工具，查看网络结构、损失的变化、准确率等指标的变化情况等。
网络结构的效果如下图所示：
https://github.com/BVLC/caffe/blob/master/python/caffe/draw.py
Caffe 的绘图工具，效果如下所示：
https://www.mathworks.com/help/deeplearning/ref/view.html
Matlab 的绘图工具，效果如下所示：
https://transcranial.github.io/keras-js/#/inception-v3
Keras 的可视化工具，效果如下所示：
https://github.com/stared/keras-sequential-ascii/
Keras 的一个第三方库，用于对序列模型的网络结构和参数进行检查，直接打印出来结果，比如，VGG 16 的网络结构如下所示，每层网络的参数维度，参数的数量以及占整个网络参数的比例都会展示出来：
Keras 的一个第三方库，用于对序列模型的网络结构和参数进行检查，直接打印出来结果，比如，VGG 16 的网络结构如下所示，每层网络的参数维度，参数的数量以及占整个网络参数的比例都会展示出来：
通过 PyPI：
直接通过 github 仓库：
在代码中添加：
https://github.com/lutzroeder/Netron
Star 数量：9.7k+
Netron 可以可视化神经网络，深度学习和机器学习模型，目前支持的网络框架包括：
-
ONNX:
.onnx, .pb, .pbtxt文件 -
Keras：
.h5，.keras文件 -
Core ML：
.mlmodel -
Caffe：
.caffemodel, .prototxt -
Caffe2：
predict_net.pb, predict_net.pbtxt -
Darknet:
.cfg -
MXNet：
.model, -symbol.json -
ncnn：
.param -
TensorFlow Lite：
.tflite
另外，Netron 也有实验支持这些框架:
-
TorchScript:
.pt, .pth -
PyTorch：
.pt, .pth -
Torch:
.t7 -
Arm NN：
.armnn -
Barracuda：
.nn -
BigDL
.bigdl,.model -
Chainer ：
.npz,.h5 -
CNTK ：
.model,.cntk -
Deeplearning4j：
.zip -
MediaPipe：
.pbtxt -
http://ML.NET：
.zip -
MNN：
.mnn -
OpenVINO ：
.xml -
PaddlePaddle ：
.zip,model -
scikit-learn ：
.pkl -
Tengine ：
.tmfile -
TensorFlow.js ：
model.json,.pb -
TensorFlow ：
.pb,.meta,.pbtxt,.ckpt,.index
其效果如下所示：
安装方式，根据不同系统，有所不一样：
macOS
两种方式，任选一种：
-
下载
.dmg文件，地址：https://github.com/lutzroeder/netron/releases/latest -
运行命令
brew cask install netron
Linux
也是两种方式，任选其中一种：
-
下载
.AppImage文件，下载地址：https://github.com/lutzroeder/netron/releases/latest -
运行命令
snap install netron
Windows
也是两种方式，任选其中一种：
-
下载
.exe文件，下载地址：https://github.com/lutzroeder/netron/releases/latest -
运行命令
winget install netron
浏览器：浏览器运行地址：https://www.lutzroeder.com/projects/
Python 服务器：
首先，运行安装命令 pip install netron，然后使用方法有两种：
-
命令行，运行
netron [文件路径] -
.py代码中加入
https://github.com/martisak/dotnets
这个工具是一个简单的 python 脚本，利用 Graphviz 生成神经网络的图片。主要参考了文章：https://tgmstat.wordpress.com/2013/06/12/draw-neural-network-diagrams-graphviz/
用法如下：
在 MaxOS 上：
或者生成 PDF 文件
其效果如下所示：
教程：https://tgmstat.wordpress.com/2013/06/12/draw-neural-network-diagrams-graphviz/
Graphviz 是一个开源的图可视化软件，它可以用抽象的图形和网络图来表示结构化信息。
其效果如下所示：
https://keras.io/api/utils/model\_plotting\_utils/
这是 Keras 库中的一个功能模块-- keras.utils.vis_utils 提供的绘制 Keras 网络模型（使用的是 graphviz ）
其效果如下所示：
https://conx.readthedocs.io/en/latest/index.html
Python 的一个第三方库 conx 可以通过函数net.picture() 来实现对带有激活函数网络的可视化，可以输出图片格式包括 SVG, PNG 或者是 PIL。
其效果如下所示：
通过拖和拽相应的图形框来实现一个网络结构的可视化，下面是一个可视化 LeNet 的例子：
教程：https://beckmw.wordpress.com/2013/03/04/visualizing-neural-networks-from-the-nnet-package/
R 工具包，简单的使用例子如下：
效果如下所示：
https://www.graphcore.ai/posts/what-does-machine-learning-look-like
GraphCore 主要是展示神经网络中操作的可视化结果，但也包括了网络结构的内容，比如每层的网络参数等。
下面展示了两个网络结构的可视化效果--AlexNet 和 ResNet50.
AlexNet
ResNet50
https://wagenaartje.github.io/neataptic/
Neataptic 提供了非常灵活的神经网络可视化形式
-
神经元和突触可以通过一行代码进行删除；
-
没有规定神经网络的结构必须包含哪些内容
这种灵活性允许通过神经进化（neuro-evolution）的方式为数据集调整网络结构的形状，并通过多线程来实现。
其效果如下图所示：
TensorSpace 是通过 TensorFlow.js，Three.js 和 Tween.js 构建的一个神经网络三维可视化框架。它提供了 APIs 来构建深度学习网络层，加载预训练模型以及在浏览器中就可以生成三维的可视化结构。通过应用它的 API 接口，可以更直观地可视化和理解通过 TensorFlow、Keras 和 TensorFlow.js 等构建的任何预训练模型。
效果如下图所示：
https://dgschwend.github.io/netscope/quickstart.html
一款基于 web 端的可视化和分析卷积神经网络结构（或者是任意有向无环图），当前支持使用 Caffe 的 prototxt 形式。
效果如下图所示：
https://github.com/mlajtos/moniel
计算图的交互式表示法，展示例子如下所示，左边是输入，右侧就是对应结构的可视化结果。
https://texample.net//tikz/examples/neural-network/
这个工具也可以通过 LaTex 来实现一个神经网络结构的可视化，比如，一个 LaTex 的例子：
其可视化结果如下所示：
github: https://github.com/keplr-io/quiver
Star 数量：1.5k
Keras 的一款交互式可视化卷积特征的一个工具
展示例子如下所示：
两种方式，直接用 pip
或者通过 GitHub 仓库的方式：
首先构建你的 keras 模型：
接着通过一行代码来发布可视化的展示板：
最后在刚刚设置的文件夹中就可以看到每个网络层的可视化结果。
如果是想在浏览器中查看，代码如下：
默认的地址是 localhost:5000
论文地址：https://arxiv.org/abs/1902.04394
Github：https://github.com/viscom-ulm/Net2Vis
这款工具的效果例子图：
首先假设已经安装了 python3 和 npm，然后：
-
克隆这个 github 项目：
-
为了后端工作，这里需要安装 Docker 和 Cairo，主要的作用是转换为 PDF，以及在浏览器里可以运行模型。
如果是采用 docker，那么也要运行 daemon，这样才能在单独的容器里运行粘贴的代码。
对于后端的配置，步骤如下：
1.进入后端的文件夹内 cd backend 2. 安装依赖包 pip3 install -r requirements.txt 3. 安装 docker容器 docker build --force-rm -t tf_plus_keras . 4. 根据你的系统安装对应的 python 的 cairo 包，比如Debian 的 python-cairosvg 5. 开启服务 python server.py
而前端是一个 react 的应用，使用方式如下：
1. 进入文件夹 cd net2vis 2. 安装 JavaScript 的依赖包 npm install 3. 开启应用 npm start
这23款工具的输出结果既有直接打印的，也有黑白图、彩色图、炫酷的球体可视化结果，以及三维可视化结果，基本都可以支持目前主流的深度学习框架，当然也有的是基于特定框架，比如keras，实现的对应第三方库。
可以根据需求和使用的框架来进行选择，相信应该能够满足大部分人对可视化网络结构的需求。