python神经网络分析（Python绘制神经网络模型图）

  本文介绍基于Python语言    
    
    
，对神经网络模型的结构进行可视化绘图的方法    
    
   。

  最近需要进行神经网络结构模型的可视化绘图工作     


     


     

。查阅多种方法后


     


     


   ，看到很多方法都比较麻烦
 




 




 

，例如单纯利用graphviz模块   

   

   

，就需要手动用DOT语言进行图片描述 

     

     

  ，比较花时间；最终

  




  




  
，发现利用第三方的ann_visualizer模块  


  


  


，可以实现对已有神经网络的直接可视化  
     
     
 ，过程较为方便


   




   




   ，本文对此加以详细介绍




 




 




。

  此外 



 



 



，如果需要在MATLAB中实现神经网络构建与简单的可视化             ，大家可以查看MATLAB人工神经网络ANN代码；如果要借助软件或在线工具进行不需要代码的神经网络可视化



    




    




    ，可以查看我们后期的博客
   

   

  。

  相关环境的版本信息：Anaconda Navigator：1.10.0；Python：3.8.5     

     

     
。

  首先













，下载与安装必要的模块ann_visualizer 




  




  




。打开Anaconda Prompt (Soft)

  


  


 。

  在弹出的界面中输入：

pip install ann_visualizer

  即可完成ann_visualizer模块的安装     
     
     。

  接下来              ，我们就可以借助以下仅仅一句代码对神经网络模型进行可视化了  




   




   




。

ann_viz(DNNModel,view=True,filename=G:/CropYield/02_CodeAndMap/01_SavedPicture/MyANN.gv,title=ANN)

  其中



     



     



    ，DNNModel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——可以是一个简单的浅层人工神经网络    
    
    
，也可以是一个相对复杂的全连接深度神经网络；view表示是否在代码执行后直接显示绘图结果；filename是绘图结果的保存位置


     


     


   ，需要以.gv结尾；title就是神经网络图片的名称


 



 



。

  在这里
 




 




 

，我就直接以Python TensorFlow深度神经网络回归：keras.Sequential中介绍并建立的深度神经网络加以可视化               。

  第一次运行代码时发现   

   

   

，出现以下报错：

  报错提示我没有安装graphviz模块 

     

     

  ，但其实之前在进行随机森林决策树的可视化（也就是Python实现随机森林RF并对比自变量的重要性）时

  




  




  
，早已经将这一模块安装过了  


  


  


，并且当时用到graphviz这一模块的代码也没有报错   




    




    



。通过查阅  
     
     
 ，发现这里需要重新安装一下python-graphviz这个新的模块













。因此我们打开Anaconda Prompt (Soft)


   




   




   ，输入代码：

conda install python-graphviz

  如下图所示：

  安装之后这里就不报错啦~

  结果紧接着又报出了新的错误 



 



 



，说我的keras模块没有安装：

  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深度神经网络的误差绘制曲线都能显示（误差曲线的精度的确很差













，大家不用在意~因为这里我们仅仅是做一个示范              ，所以Epoch次数就调得很小）



     



     



    ，说明keras模块应该是没问题的              。

  随后考虑到












，这里报错的keras是在ann_visualizer的文件环境下    
    
    
，可能是环境不同导致的    



     



     


。打开Anaconda Navigator


     


     


   ，在base (root)环境下确实找不到keras：

  那么我这里就图方便
 




 




 

，直接在base (root)环境下再安装一个keras














。安装方法同上   

   

   

，输入代码即可：

pip install keras

  然后这里就不报错啦~

  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  


  


  


，一是不能存在正则化层与BatchNormalization层；二是LeakyReLU层与Dropout层的总数量不能过多  
     
     
 ，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    
    
   。因此 



 



 



，我就将Python TensorFlow深度神经网络回归：keras.Sequential中的神经网络上述对应的层删除或注释掉     


     


     

。

  如下图             ，首先



    




    




    ，将当初我的代码对应的LeakyReLU层与Dropout层注释掉：

  然后执行代码













，即可进行神经网络的可视化




 




 




。且绘制出的图将会自动打开在PDF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）
   

   

  。

  还是很不错的~我们还可以直接将其转换为图片格式












，看起来就更直观了：

  如果再取消Dropout层的注释    
    
    
，即绘图时加上Dropout层


     


     


   ，也还是很不错的：

  如果我们再加上LeakyReLU层
 




 




 

，就成了这个乱七八糟    
    
   、不太正确的样子（原图实在太大了   

   

   

，就只给大家截取图片的一部分）：

  可以看到 

     

     

  ，这样的话就有些问题了     

     

     
。

  最后

  




  




  
，我们看一下这个ann_visualizer第三方库的源代码  


  


  


，可以看到该库支持绘图的不同种类神经网络层；如果大家的神经网络包含这些层  
     
     
 ，就可以用ann_visualizer这一第三方库进行绘图 




  




  




。

  至此


   




   




   ，大功告成

  


  


 。