卷积神经网络绘制工具

用于展示卷积神经网络（CNN）的 Python 脚本。灵感来源于 draw_convnet 项目 [1]。

可以通过类似 Keras 的模型定义方式（如 Sequential）来可视化模型。结果可以保存为 SVG 文件或 pptx 文件！

需求

python-pptx（如果希望将模型保存为 pptx 格式）

pip install python-pptx

Keras（如果需要转换 Keras 顺序模型）

pip install keras

matplotlib（如果希望通过 matplotlib 保存模型）

pip install matplotlib

使用方法

编写脚本来定义并保存模型。以下是一个可视化 AlexNet [2] 的示例。

编写并保存 convnet_drawer.Model

from convnet_drawer import Model, Conv2D, MaxPooling2D, Flatten, Dense
from pptx_util import save_model_to_pptx
from matplotlib_util import save_model_to_file

model = Model(input_shape=(227, 227, 3))
model.add(Conv2D(96, (11, 11), (4, 4)))
model.add(MaxPooling2D((3, 3), strides=(2, 2)))
model.add(Conv2D(256, (5, 5), padding="same"))
model.add(MaxPooling2D((3, 3), strides=(2, 2)))
model.add(Conv2D(384, (3, 3), padding="same"))
model.add(Conv2D(384, (3, 3), padding="same"))
model.add(Conv2D(256, (3, 3), padding="same"))
model.add(MaxPooling2D((3, 3), strides=(2, 2)))
model.add(Flatten())
model.add(Dense(4096))
model.add(Dense(4096))
model.add(Dense(1000))

# 保存为 svg 文件
model.save_fig("example.svg")

# 保存为 pptx 文件
save_model_to_pptx(model, "example.pptx")

# 通过 matplotlib 保存
save_model_to_file(model, "example.pdf")

结果：

其他示例可以在此处找到 here。

转换 Keras 顺序模型

Keras 顺序模型可以转换为 convnet_drawer.Model（感谢 @wakamezake）。此转换仅支持 Conv2D、MaxPooling2D、GlobalAveragePooling2D、Flatten 和 Dense 层。

from keras_util import convert_drawer_model
from keras_models import AlexNet
from pptx_util import save_model_to_pptx
from matplotlib_util import save_model_to_file

# 获取 Keras 顺序模型
keras_sequential_model = AlexNet.get_model()
model = convert_drawer_model(keras_sequential_model)

# 保存为 svg 文件
model.save_fig("example.svg")

# 保存为 pptx 文件
save_model_to_pptx(model, "example.pptx")

# 通过 matplotlib 保存
save_model_to_file(model, "example.pdf")

支持的层

• Conv2D
  • Conv2D(filters=None, kernel_size=None, strides=(1, 1), padding="valid")
  • 例如：Conv2D(96, (11, 11), (4, 4)))
• Deconv2D
  • Deconv2D(filters=None, kernel_size=None, strides=(1, 1), padding="valid")
  • 例如：Deconv2D(256, (3, 3), (2, 2)))
• MaxPooling2D、AveragePooling2D
  • MaxPooling2D(pool_size=(2, 2), strides=None, padding="valid")
  • 例如：MaxPooling2D((3, 3), strides=(2, 2))
  • 如果 strides = None，则步幅设置为 pool_size。
• GlobalAveragePooling2D
  • GlobalAveragePooling2D()
• Flatten
  • Flatten()
• Dense
  • Dense(units)
  • 例如：Dense(4096)

可视化参数

可视化参数可以在 config.py 中找到。请在定义模型之前调整这些参数（参见 LeNet.py）。最重要的参数是 channel_scale = 3 / 5。该参数会将实际通道大小 c 重新缩放为 c_，用于可视化，公式如下：

c_ = math.pow(c, channel_scale)

如果最大通道数较小（例如 512），请增大 channel_scale。

查看其他参数的作用：

默认值

theta = - math.pi / 6
ratio = 0.7
bounding_box_margin = 10
inter_layer_margin = 50
text_margin = 10
channel_scale = 3 / 5
text_size = 14
one_dim_width = 4
line_color_feature_map = (0, 0, 0)
line_color_layer = (0, 0, 255)
text_color_feature_map = (0, 0, 0)
text_color_layer = (0, 0, 0)

待办事项

• 实现 Conv2D 和 Pooling 层的填充选项。
• 为 Dense 层（以及 Flatten / GlobalAveragePooling2D）添加一些效果。
• 自动校准特征图的尺度，以获得更好的可视性。
• 将硬编码的参数移至配置文件或选项中。
• 重构 Layer 类。
• 使用 matplotlib 绘制？以便支持其他格式。 现在可以直接将模型保存为 pptx 文件。

结果

LeNet

AlexNet

ZFNet

VGG16

AutoEncoder

使用 plt.xkcd() 保存的 AlexNet 图像

参考文献

[1] https://github.com/gwding/draw_convnet

[2] A. Krizhevsky, I. Sutskever, and G. E. Hinton, "ImageNet Classification with Deep Convolutional Neural Networks," in Proc. of NIPS, 2012.

ConvNet Drawer 快速上手指南

ConvNet Drawer 是一个用于绘制卷积神经网络（CNN）架构的 Python 工具。它支持通过类似 Keras 的代码定义模型，并将网络结构可视化为 SVG、PDF 或 PowerPoint (pptx) 文件，非常适合用于论文插图或技术演示。

环境准备

在开始之前，请确保您的系统已安装 Python 3。本工具依赖以下库：

• 核心依赖：无特殊系统要求，标准 Python 环境即可。
• 可选依赖：
  • python-pptx：如需导出为 PPTX 格式。
  • keras：如需直接从 Keras 模型转换。
  • matplotlib：如需导出为 PDF/PNG 等图片格式。

安装步骤

建议使用国内镜像源加速安装。您可以使用以下命令一次性安装所有常用依赖：

pip install convnet-drawer python-pptx keras matplotlib -i https://pypi.tuna.tsinghua.edu.cn/simple

注意：如果 convnet-drawer 尚未发布到 PyPI 或您需要最新版本，请先克隆仓库并本地安装：

git clone https://github.com/your-repo/convnet-drawer.git
cd convnet-drawer
pip install . -i https://pypi.tuna.tsinghua.edu.cn/simple

(注：请根据实际源码获取方式调整上述 git 地址，若直接作为脚本使用，只需确保依赖包安装成功即可)

基本使用

1. 定义并绘制模型

创建一个 Python 脚本（例如 draw_model.py），按照以下方式定义网络层并保存图像。以下示例复现了经典的 AlexNet 结构：

from convnet_drawer import Model, Conv2D, MaxPooling2D, Flatten, Dense
from pptx_util import save_model_to_pptx
from matplotlib_util import save_model_to_file

# 初始化模型，设置输入形状 (高，宽，通道数)
model = Model(input_shape=(227, 227, 3))

# 添加网络层
model.add(Conv2D(96, (11, 11), (4, 4)))
model.add(MaxPooling2D((3, 3), strides=(2, 2)))
model.add(Conv2D(256, (5, 5), padding="same"))
model.add(MaxPooling2D((3, 3), strides=(2, 2)))
model.add(Conv2D(384, (3, 3), padding="same"))
model.add(Conv2D(384, (3, 3), padding="same"))
model.add(Conv2D(256, (3, 3), padding="same"))
model.add(MaxPooling2D((3, 3), strides=(2, 2)))
model.add(Flatten())
model.add(Dense(4096))
model.add(Dense(4096))
model.add(Dense(1000))

# 保存为 SVG 矢量图
model.save_fig("example.svg")

# 保存为 PPTX 文件 (可直接插入幻灯片)
save_model_to_pptx(model, "example.pptx")

# 通过 Matplotlib 保存为 PDF 或 PNG
save_model_to_file(model, "example.pdf")

运行脚本后，当前目录下将生成 example.svg、example.pptx 和 example.pdf 文件。

2. 从 Keras 模型转换 (可选)

如果您已经有一个 Keras Sequential 模型，可以直接将其转换为绘图对象：

from keras_util import convert_drawer_model
# 假设您有一个获取 Keras 模型的函数
# from keras_models import AlexNet 
# keras_sequential_model = AlexNet.get_model() 

# 转换为 convnet_drawer 模型
# model = convert_drawer_model(keras_sequential_model)

# 后续保存步骤同上
# model.save_fig("keras_example.svg")

支持转换的层包括：Conv2D, MaxPooling2D, GlobalAveragePooling2D, Flatten, Dense。

3. 调整可视化参数 (进阶)

默认生成的图中，特征通道的宽度可能不符合您的审美。您可以在定义模型前修改 config.py 中的参数，或在代码中动态调整。最重要的参数是 channel_scale：

# 示例：在代码中调整全局配置 (需查看具体版本是否支持直接导入 config)
# 默认值为 3/5，如果最大通道数较小 (如 512)，可适当增大此值以加宽通道显示
# c_ = math.pow(c, channel_scale)

支持的层类型及参数风格与 Keras 高度相似，详见工具文档中的 "Supported Layers" 部分。