使用NetworkX绘制深度神经网络结构图（Python）
【摘要】 本文将展示如何利用Python中的NetworkX模块来绘制深度神经网络（DNN）结构图。
已知我们创建的DNN结构图如下：
该DNN模型由输入层、隐藏层、输出层和softmax函数组成，每一层的神经元个数分别为4,5,6,3,3。不知道聪明的读者有没有发现，这张示意图完全是由笔者自己用Python绘制出来的，因为并不存在现成的结构图。那么，如何利用Python来绘制...
本文将展示如何利用Python中的NetworkX模块来绘制深度神经网络（DNN）结构图。
已知我们创建的DNN结构图如下：
该DNN模型由输入层、隐藏层、输出层和softmax函数组成，每一层的神经元个数分别为4,5,6,3,3。不知道聪明的读者有没有发现，这张示意图完全是由笔者自己用Python绘制出来的，因为并不存在现成的结构图。那么，如何利用Python来绘制出这种相对复杂的神经网络的示意图呢？答案是利用NetworkX模块。
NetworkX是一个用Python语言开发的图论与复杂网络建模工具，内置了常用的图与复杂网络分析算法，可以方便地进行复杂网络数据分析、仿真建模等工作。NetworkX支持创建简单无向图、有向图和多重图，内置许多标准的图论算法，节点可为任意数据，支持任意的边值维度，功能丰富，简单易用。
首先，我们需要绘制出该DNN的大致框架，其Python代码如下：
-
# -*- coding:utf-8 -*-
-
import networkx as nx
-
import matplotlib.pyplot as plt
-
-
# 创建DAG
-
G = nx.DiGraph()
-
-
# 顶点列表
-
vertex_list = ['v'+str(i) for i in range(1, 22)]
-
# 添加顶点
-
G.add_nodes_from(vertex_list)
-
-
# 边列表
-
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')
-
]
-
# 通过列表形式来添加边
-
G.add_edges_from(edge_list)
-
-
# 绘制DAG图
-
plt.title('DNN for iris') #图片标题
-
-
nx.draw(
-
G,
-
node_color = 'red', # 顶点颜色
-
edge_color = 'black', # 边的颜色
-
with_labels = True, # 显示顶点标签
-
font_size =10, # 文字大小
-
node_size =300 # 顶点大小
-
)
-
# 显示图片
-
plt.show()
可以看到，我们在代码中已经设置好了这22个神经元以及它们之间的连接情况，但绘制出来的结构如却是这样的：
这显然不是我们想要的结果，因为各神经的连接情况不明朗，而且很多神经都挤在了一起，看不清楚。之所以出现这种情况，是因为我们没有给神经元设置坐标，导致每个神经元都是随机放置的。
接下来，引入坐标机制，即设置好每个神经元节点的坐标，使得它们的位置能够按照事先设置好的来放置，其Python代码如下：
-
# -*- coding:utf-8 -*-
-
import networkx as nx
-
import matplotlib.pyplot as plt
-
-
# 创建DAG
-
G = nx.DiGraph()
-
-
# 顶点列表
-
vertex_list = ['v'+str(i) for i in range(1, 22)]
-
# 添加顶点
-
G.add_nodes_from(vertex_list)
-
-
# 边列表
-
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')
-
]
-
# 通过列表形式来添加边
-
G.add_edges_from(edge_list)
-
-
# 指定绘制DAG图时每个顶点的位置
-
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)
-
}
-
# 绘制DAG图
-
plt.title('DNN for iris') #图片标题
-
plt.xlim(-2.2, 2.2) #设置X轴坐标范围
-
plt.ylim(-3, 3) #设置Y轴坐标范围
-
nx.draw(
-
G,
-
pos = pos, # 点的位置
-
node_color = 'red', # 顶点颜色
-
edge_color = 'black', # 边的颜色
-
with_labels = True, # 显示顶点标签
-
font_size =10, # 文字大小
-
node_size =300 # 顶点大小
-
)
-
# 显示图片
-
plt.show()
可以看到，在代码中，通过pos字典已经规定好了每个神经元节点的位置，那么，绘制好的DNN结构示意图如下：
可以看到，现在这个DNN模型的结构已经大致显现出来了。接下来，我们需要对这个框架图进行更为细致地修改，需要修改的地方为：
- 去掉神经元节点的标签；
- 添加模型层的文字注释（比如Input layer）.
其中，第二步的文字注释，我们借助opencv来完成。完整的Python代码如下：
-
# -*- coding:utf-8 -*-
-
import cv2
-
import networkx as nx
-
import matplotlib.pyplot as plt
-
-
# 创建DAG
-
G = nx.DiGraph()
-
-
# 顶点列表
-
vertex_list = ['v'+str(i) for i in range(1, 22)]
-
# 添加顶点
-
G.add_nodes_from(vertex_list)
-
-
# 边列表
-
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')
-
]
-
# 通过列表形式来添加边
-
G.add_edges_from(edge_list)
-
-
# 指定绘制DAG图时每个顶点的位置
-
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)
-
}
-
# 绘制DAG图
-
plt.title('DNN for iris') #图片标题
-
plt.xlim(-2.2, 2.2) #设置X轴坐标范围
-
plt.ylim(-3, 3) #设置Y轴坐标范围
-
nx.draw(
-
G,
-
pos = pos, # 点的位置
-
node_color = 'red', # 顶点颜色
-
edge_color = 'black', # 边的颜色
-
font_size =10, # 文字大小
-
node_size =300 # 顶点大小
-
)
-
-
# 保存图片，图片大小为640*480
-
plt.savefig('E://data/DNN_sketch.png')
-
-
# 利用opencv模块对DNN框架添加文字注释
-
-
# 读取图片
-
imagepath = 'E://data/DNN_sketch.png'
-
image = cv2.imread(imagepath, 1)
-
-
# 输入层
-
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)
-
-
# 隐藏层
-
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)
-
-
# 输出层
-
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层
-
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)
-
-
# 保存修改后的图片
-
cv2.imwrite('E://data/DNN.png', image)
这样生成的图片就是文章最开始给出的DNN的结构示意图。Bingo,搞定！
文章来源: handsome-man.blog.csdn.net，作者：不脱发的程序猿，版权归原作者所有，如需转载，请联系作者。
原文链接：handsome-man.blog.csdn.net/article/details/88095710
【版权声明】本文为华为云社区用户转载文章，如果您发现本社区中有涉嫌抄袭的内容，欢迎发送邮件进行举报，并提供相关证据，一经查实，本社区将立刻删除涉嫌侵权内容，举报邮箱：
cloudbbs@huaweicloud.com
- 点赞
- 收藏
- 关注作者
评论（0）