使用NetworkX繪制深度神經網絡結構圖（Python）

本文将展示如何利用Python中的NetworkX子產品來繪制深度神經網絡（DNN）結構圖。

已知我們建立的DNN結構圖如下：

該DNN模型由輸入層、隐藏層、輸出層和softmax函數組成，每一層的神經元個數分别為4,5,6,3,3。不知道聰明的讀者有沒有發現，這張示意圖完全是由筆者自己用Python繪制出來的，因為并不存在現成的結構圖。那麼，如何利用Python來繪制出這種相對複雜的神經網絡的示意圖呢？答案是利用NetworkX子產品。

NetworkX是一個用Python語言開發的圖論與複雜網絡模組化工具，内置了常用的圖與複雜網絡分析算法，可以友善地進行複雜網絡資料分析、仿真模組化等工作。NetworkX支援建立簡單無向圖、有向圖和多重圖，内置許多标準的圖論算法，節點可為任意資料，支援任意的邊值次元，功能豐富，簡單易用。

首先，我們需要繪制出該DNN的大緻架構，其Python代碼如下：

# -*- coding:utf-8 -*-
import networkx as nx
import matplotlib.pyplot as plt
# 建立DAG
G = nx.DiGraph()
# 頂點清單
vertex_list = ['v'+str(i) for i in range(1, 22)]
# 添加頂點
G.add_nodes_from(vertex_list)
# 邊清單
edge_list = [
             ('v1', 'v5'), ('v1', 'v6'), ('v1', 'v7'),('v1', 'v8'),('v1', 'v9'),
             ('v2', 'v5'), ('v2', 'v6'), ('v2', 'v7'),('v2', 'v8'),('v2', 'v9'),
             ('v3', 'v5'), ('v3', 'v6'), ('v3', 'v7'),('v3', 'v8'),('v3', 'v9'),
             ('v4', 'v5'), ('v4', 'v6'), ('v4', 'v7'),('v4', 'v8'),('v4', 'v9'),
             ('v5','v10'),('v5','v11'),('v5','v12'),('v5','v13'),('v5','v14'),('v5','v15'),
             ('v6','v10'),('v6','v11'),('v6','v12'),('v6','v13'),('v6','v14'),('v6','v15'),
             ('v7','v10'),('v7','v11'),('v7','v12'),('v7','v13'),('v7','v14'),('v7','v15'),
             ('v8','v10'),('v8','v11'),('v8','v12'),('v8','v13'),('v8','v14'),('v8','v15'),
             ('v9','v10'),('v9','v11'),('v9','v12'),('v9','v13'),('v9','v14'),('v9','v15'),
             ('v10','v16'),('v10','v17'),('v10','v18'),
             ('v11','v16'),('v11','v17'),('v11','v18'),
             ('v12','v16'),('v12','v17'),('v12','v18'),
             ('v13','v16'),('v13','v17'),('v13','v18'),
             ('v14','v16'),('v14','v17'),('v14','v18'),
             ('v15','v16'),('v15','v17'),('v15','v18'),
             ('v16','v19'),
             ('v17','v20'),
             ('v18','v21')
            ]
# 通過清單形式來添加邊
G.add_edges_from(edge_list)
# 繪制DAG圖
plt.title('DNN for iris')    #圖檔标題
nx.draw(
        G,
        node_color = 'red',             # 頂點顔色
        edge_color = 'black',           # 邊的顔色
        with_labels = True,             # 顯示頂點标簽
        font_size =10,                  # 文字大小
        node_size =300                  # 頂點大小
       )
# 顯示圖檔
plt.show()

可以看到，我們在代碼中已經設定好了這22個神經元以及它們之間的連接配接情況，但繪制出來的結構如卻是這樣的：

這顯然不是我們想要的結果，因為各神經的連接配接情況不明朗，而且很多神經都擠在了一起，看不清楚。之是以出現這種情況，是因為我們沒有給神經元設定坐标，導緻每個神經元都是随機放置的。

接下來，引入坐标機制，即設定好每個神經元節點的坐标，使得它們的位置能夠按照事先設定好的來放置，其Python代碼如下：

# -*- coding:utf-8 -*-
import networkx as nx
import matplotlib.pyplot as plt
# 建立DAG
G = nx.DiGraph()
# 頂點清單
vertex_list = ['v'+str(i) for i in range(1, 22)]
# 添加頂點
G.add_nodes_from(vertex_list)
# 邊清單
edge_list = [
             ('v1', 'v5'), ('v1', 'v6'), ('v1', 'v7'),('v1', 'v8'),('v1', 'v9'),
             ('v2', 'v5'), ('v2', 'v6'), ('v2', 'v7'),('v2', 'v8'),('v2', 'v9'),
             ('v3', 'v5'), ('v3', 'v6'), ('v3', 'v7'),('v3', 'v8'),('v3', 'v9'),
             ('v4', 'v5'), ('v4', 'v6'), ('v4', 'v7'),('v4', 'v8'),('v4', 'v9'),
             ('v5','v10'),('v5','v11'),('v5','v12'),('v5','v13'),('v5','v14'),('v5','v15'),
             ('v6','v10'),('v6','v11'),('v6','v12'),('v6','v13'),('v6','v14'),('v6','v15'),
             ('v7','v10'),('v7','v11'),('v7','v12'),('v7','v13'),('v7','v14'),('v7','v15'),
             ('v8','v10'),('v8','v11'),('v8','v12'),('v8','v13'),('v8','v14'),('v8','v15'),
             ('v9','v10'),('v9','v11'),('v9','v12'),('v9','v13'),('v9','v14'),('v9','v15'),
             ('v10','v16'),('v10','v17'),('v10','v18'),
             ('v11','v16'),('v11','v17'),('v11','v18'),
             ('v12','v16'),('v12','v17'),('v12','v18'),
             ('v13','v16'),('v13','v17'),('v13','v18'),
             ('v14','v16'),('v14','v17'),('v14','v18'),
             ('v15','v16'),('v15','v17'),('v15','v18'),
             ('v16','v19'),
             ('v17','v20'),
             ('v18','v21')
            ]
# 通過清單形式來添加邊
G.add_edges_from(edge_list)
# 指定繪制DAG圖時每個頂點的位置
pos = {
        'v1':(-2,1.5),
        'v2':(-2,0.5),
        'v3':(-2,-0.5),
        'v4':(-2,-1.5),
        'v5':(-1,2),
        'v6': (-1,1),
        'v7':(-1,0),
        'v8':(-1,-1),
        'v9':(-1,-2),
        'v10':(0,2.5),
        'v11':(0,1.5),
        'v12':(0,0.5),
        'v13':(0,-0.5),
        'v14':(0,-1.5),
        'v15':(0,-2.5),
        'v16':(1,1),
        'v17':(1,0),
        'v18':(1,-1),
        'v19':(2,1),
        'v20':(2,0),
        'v21':(2,-1)
       }
# 繪制DAG圖
plt.title('DNN for iris')    #圖檔标題
plt.xlim(-2.2, 2.2)                     #設定X軸坐标範圍
plt.ylim(-3, 3)                     #設定Y軸坐标範圍
nx.draw(
        G,
        pos = pos,                      # 點的位置
        node_color = 'red',             # 頂點顔色
        edge_color = 'black',           # 邊的顔色
        with_labels = True,             # 顯示頂點标簽
        font_size =10,                  # 文字大小
        node_size =300                  # 頂點大小
       )
# 顯示圖檔
plt.show()

可以看到，在代碼中，通過pos字典已經規定好了每個神經元節點的位置，那麼，繪制好的DNN結構示意圖如下：

可以看到，現在這個DNN模型的結構已經大緻顯現出來了。接下來，我們需要對這個架構圖進行更為細緻地修改，需要修改的地方為：

去掉神經元節點的标簽；

添加模型層的文字注釋（比如Input layer）.

其中，第二步的文字注釋，我們借助opencv來完成。完整的Python代碼如下：

# -*- coding:utf-8 -*-
import cv2
import networkx as nx
import matplotlib.pyplot as plt
# 建立DAG
G = nx.DiGraph()
# 頂點清單
vertex_list = ['v'+str(i) for i in range(1, 22)]
# 添加頂點
G.add_nodes_from(vertex_list)
# 邊清單
edge_list = [
             ('v1', 'v5'), ('v1', 'v6'), ('v1', 'v7'),('v1', 'v8'),('v1', 'v9'),
             ('v2', 'v5'), ('v2', 'v6'), ('v2', 'v7'),('v2', 'v8'),('v2', 'v9'),
             ('v3', 'v5'), ('v3', 'v6'), ('v3', 'v7'),('v3', 'v8'),('v3', 'v9'),
             ('v4', 'v5'), ('v4', 'v6'), ('v4', 'v7'),('v4', 'v8'),('v4', 'v9'),
             ('v5','v10'),('v5','v11'),('v5','v12'),('v5','v13'),('v5','v14'),('v5','v15'),
             ('v6','v10'),('v6','v11'),('v6','v12'),('v6','v13'),('v6','v14'),('v6','v15'),
             ('v7','v10'),('v7','v11'),('v7','v12'),('v7','v13'),('v7','v14'),('v7','v15'),
             ('v8','v10'),('v8','v11'),('v8','v12'),('v8','v13'),('v8','v14'),('v8','v15'),
             ('v9','v10'),('v9','v11'),('v9','v12'),('v9','v13'),('v9','v14'),('v9','v15'),
             ('v10','v16'),('v10','v17'),('v10','v18'),
             ('v11','v16'),('v11','v17'),('v11','v18'),
             ('v12','v16'),('v12','v17'),('v12','v18'),
             ('v13','v16'),('v13','v17'),('v13','v18'),
             ('v14','v16'),('v14','v17'),('v14','v18'),
             ('v15','v16'),('v15','v17'),('v15','v18'),
             ('v16','v19'),
             ('v17','v20'),
             ('v18','v21')
            ]
# 通過清單形式來添加邊
G.add_edges_from(edge_list)
# 指定繪制DAG圖時每個頂點的位置
pos = {
        'v1':(-2,1.5),
        'v2':(-2,0.5),
        'v3':(-2,-0.5),
        'v4':(-2,-1.5),
        'v5':(-1,2),
        'v6': (-1,1),
        'v7':(-1,0),
        'v8':(-1,-1),
        'v9':(-1,-2),
        'v10':(0,2.5),
        'v11':(0,1.5),
        'v12':(0,0.5),
        'v13':(0,-0.5),
        'v14':(0,-1.5),
        'v15':(0,-2.5),
        'v16':(1,1),
        'v17':(1,0),
        'v18':(1,-1),
        'v19':(2,1),
        'v20':(2,0),
        'v21':(2,-1)
       }
# 繪制DAG圖
plt.title('DNN for iris')    #圖檔标題
plt.xlim(-2.2, 2.2)                     #設定X軸坐标範圍
plt.ylim(-3, 3)                     #設定Y軸坐标範圍
nx.draw(
        G,
        pos = pos,                      # 點的位置
        node_color = 'red',             # 頂點顔色
        edge_color = 'black',           # 邊的顔色
        font_size =10,                  # 文字大小
        node_size =300                  # 頂點大小
       )
# 儲存圖檔，圖檔大小為640*480
plt.savefig('E://data/DNN_sketch.png')
# 利用opencv子產品對DNN架構添加文字注釋
# 讀取圖檔
imagepath = 'E://data/DNN_sketch.png'
image = cv2.imread(imagepath, 1)
# 輸入層
cv2.rectangle(image, (85, 130), (120, 360), (255,0,0), 2)
cv2.putText(image, "Input Layer", (15, 390), 1, 1.5, (0, 255, 0), 2, 1)
# 隐藏層
cv2.rectangle(image, (190, 70), (360, 420), (255,0,0), 2)
cv2.putText(image, "Hidden Layer", (210, 450), 1, 1.5, (0, 255, 0), 2, 1)
# 輸出層
cv2.rectangle(image, (420, 150), (460, 330), (255,0,0), 2)
cv2.putText(image, "Output Layer", (380, 360), 1, 1.5, (0, 255, 0), 2, 1)
# sofrmax層
cv2.rectangle(image, (530, 150), (570, 330), (255,0,0), 2)
cv2.putText(image, "Softmax Func", (450, 130), 1, 1.5, (0, 0, 255), 2, 1)
# 儲存修改後的圖檔
cv2.imwrite('E://data/DNN.png', image)

這樣生成的圖檔就是文章最開始給出的DNN的結構示意圖。Bingo,搞定！

使用NetworkX繪制深度神經網絡結構圖（Python）

繼續閱讀

libsvm for python 安裝

學習軟體測試基礎測試第七天

Zeppelin 配置通路 REST APIApache Zeppelin Configuration REST API

【Torch】最簡潔logging使用指南

筆試面試題目：滑動視窗(二)

27. Remove Element(清單)題目代碼

資料結構與算法（27）——排序（二）

Dijkstra--簡易版（最短路徑）

GitHub連夜封殺！這份阿裡 10W 字内部 Java 字面試手冊到底有多強？

Cloud Studio初體驗

使用 ctypes 進行 Python 和 C 的混合程式設計

【python】【資料處理】畫多元資料分布圖

【python】netconf協定對接管理裝置

「Python 網絡自動化」NETCONF —— Python 使用 NETCONF 管理配置 H3C 網絡裝置

在python中建立excel并寫入

hdu7108哈希