前言
tensorflow，pytorch，mxnet每一个主流的深度学习框架都提供了相对应的可视化模板，那有没有一种方法更加具有通用性呢？我们会在论文中，相关文献中看到各种神经网络可视化的图形，有平面图形，三维立体图形，觉得很美观，你一定很好奇，这是不是使用绘图软件画的，还是只是用办公软件画的？对于人工智能研究者，那就太low了，人工智能都搞得定，还能被几幅图像给难住？本文带你一文看尽常用的一些神经网络可视化的开源项目。
前面已经介绍了小草最喜欢的一个可视化框架，netron，今天来看一下接下来的几种网络可视化途径吧！鉴于篇幅较多，本次为系列文章第二篇。
1、ConvNetDraw
这个工具可能很多人都不知道，不过如果你知道神经网络的结构，而且你能很快的写出基本的代码，那么这款软件再方便不过啦，重要的是它的绘制结果是3D，比较好看，缺点是卷积层的颜色等比较固定，不适合进行设计。以下是有关该工具的几个有用链接。
（1）ConvNetDraw的github-https://github.com/cbovar/ConvNetDraw
（2）ConvNetDraw在线绘图网址-https://cbovar.github.io/ConvNetDraw/
2、 draw_convnet
这是一个Python工具，可以将代码转换为网络图显示出来。有关该工具的有用链接如下所示：
raw_convnet的github链接-https://github.com/gwding/draw_convnet
3、PlotNeuralNet
这是我偶然间寻找到的工具，基于Latex，话不多说，直接看效果你就决定要不要使用它啦。其相关链接如下所示：
PlotNeuralNet的github链接-https://github.com/HarisIqbal88/PlotNeuralNet
4、NN-SVG
有关该软件的有用链接如下所示：
（1）N-SVG的github链接-https://github.com/zfrenchee/NN-SVG
（2）N-SVG的在线界面-http://alexlenail.me/NN-SVG/LeNet.html
5、Python Graphviz
针对节点较多的网络，不可避免需要投入大量尽量来写重复的脚本代码。用python编写了一个简单的dot脚本生成工具（MakeNN），可以很方便的输入参数生成nn结构图。
6、Graphviz - dot
在dot里面label的玩法比较多，在上面看到的每个节点都是简单的一段文字，如果想要比较复杂的结构怎么办？那就通过编写代码生成吧。其对应的代码和结果如下所示。其相关的资源如下所示：
Graphviz的官方链接-https://www.graphviz.org/
7、 NetworkX
一个可以用来绘制神经网络的python包，其相应的资源如下所示：
1、NetworkX文档-https://networkx.github.io/documentation/latest/tutorial.html
2、NetworkX的github-https://github.com/networkx
代码语言：javascript复制>>> options = {
... 'node_color': 'black',
... 'node_size': 100,
... 'width': 3,
... }
>>> plt.subplot(221)
<matplotlib.axes._subplots.AxesSubplot object at ...>
>>> nx.draw_random(G, **options)
>>> plt.subplot(222)
<matplotlib.axes._subplots.AxesSubplot object at ...>
>>> nx.draw_circular(G, **options)
>>> plt.subplot(223)
<matplotlib.axes._subplots.AxesSubplot object at ...>
>>> nx.draw_spectral(G, **options)
>>> plt.subplot(224)
<matplotlib.axes._subplots.AxesSubplot object at ...>
>>> nx.draw_shell(G, nlist=[range(5,10), range(5)], **options)
8、 DAFT
Daft是一个Python包，它使用matplotlib渲染像素完美的概率图形模型，以便在期刊或互联网上发布。 使用简短的Python脚本和直观的模型构建语法，您可以设计定向（贝叶斯网络，有向无环图）和无向（马尔可夫随机场）模型，并将它们保存为matplotlib支持的任何格式（包括PDF，PNG，EPS和SVG））。其相关资源如下所示：
（1）daft官网链接-http://daft-pgm.org/
（2）daft的github链接-https://github.com/dfm/daft
