PlotNeuralNet：能够创立任何神经网络的可视化图表，并且这个LaTeX包有Python接口，咱们能够不便的调用。

然而他的最大问题是须要咱们手动的编写网络的构造，这是一个很麻烦的事件，这时 ChatGPT 就进去了，它能够帮咱们生成LaTeX代码。在本文中，我将介绍如何装置和应用PlotNeuralNet，展现一些可视化示例，以及如何应用ChatGPT为咱们生成LaTeX代码!

PlotNeuralNet

以下阐明取来自PlotNeuralNet的阐明，一下是ubuntu版

 #Ubuntu 16.04 sudo apt-get install texlive-latex-extra  #Ubuntu 18.04.2 sudo apt-get install texlive-latex-base sudo apt-get install texlive-fonts-recommended sudo apt-get install texlive-fonts-extra sudo apt-get install texlive-latex-extra

windows的话须要下载并装置一个LaTeX编译器，比方MiKTeX。而后还要装置一个bash运行程序，比方Git自带的bash或Cygwin。

装置实现后咱们就能够应用官网的样例了：

 cd pyexamples/ bash ../tikzmake.sh test_simple

在Windows上，你可能会遇到一些谬误。

../tikzmake.sh:第4行:python:命令未找到

这时须要关上tikzmake.sh文件，并依据Python版本在第4行、Python2或Python3上进行批改。

比方我这里要改成python3 $1.py而不是python $1.py。

../tikzmake.sh:第5行:pdflatex:命令未找到

此谬误意味着与MikTeX装置相干的环境变量有问题。须要手动将pdflatex增加到环境变量中。

这个根本示例代码如下，咱们简略的解释一下都是什么。

 importsys sys.path.append('../') frompycore.tikzengimport*  # defined your arch arch= [     to_head( '..' ),     to_cor(),     to_begin(),     to_Conv("conv1", 512, 64, offset="(0,0,0)", to="(0,0,0)", height=64, depth=64, width=2 ),     to_Pool("pool1", offset="(0,0,0)", to="(conv1-east)"),     to_Conv("conv2", 128, 64, offset="(1,0,0)", to="(pool1-east)", height=32, depth=32, width=2 ),     to_connection( "pool1", "conv2"),      to_Pool("pool2", offset="(0,0,0)", to="(conv2-east)", height=28, depth=28, width=1),     to_SoftMax("soft1", 10 ,"(3,0,0)", "(pool1-east)", caption="SOFT"  ),     to_connection("pool2", "soft1"),         to_Sum("sum1", offset="(1.5,0,0)", to="(soft1-east)", radius=2.5, opacity=0.6),     to_connection("soft1", "sum1"),     to_end()     ]  defmain():     namefile=str(sys.argv[0]).split('.')[0]     to_generate(arch, namefile+'.tex' )  if__name__=='__main__':     main()

通过下面定义的构造，会成成tex的文件，LaTeX中的等效程序:

 \pic[shift={(0,0,0)}] at (0,0,0)     {Box={         name=conv1,         caption= ,         xlabel={{64, }},         zlabel=512,         fill=\ConvColor,         height=64,         width=2,         depth=64         }     };  \pic[shift={ (0,0,0) }] at (conv1-east)     {Box={         name=pool1,         caption= ,         fill=\PoolColor,         opacity=0.5,         height=32,         width=1,         depth=32         }     };  \pic[shift={(1,0,0)}] at (pool1-east)     {Box={         name=conv2,         caption= ,         xlabel={{64, }},         zlabel=128,         fill=\ConvColor,         height=32,         width=2,         depth=32         }     };  \draw[connection]  (pool1-east)    -- node {\midarrow} (conv2-west);

编译成pdf文件如下:

这个能够依据你对Python或LaTeX的相熟水平来抉择，对我来说python更直观一些，所以我应用MiKTeX从Python指令生成LaTeX代码。

上面咱们来看一看PlotNeuralNet生成简单深度神经网络的可视化样例

1、U-Net

U-Net于图像宰割工作。它首先由Olaf Ronneberger、Philipp Fischer和Thomas Brox在2015年的论文U-Net: Convolutional Networks for Biomedical Image Segmentation”中提出。

它的名字来源于它独特的“U”形。它容许更准确的宰割。

2、VGG16

VGG16是一个卷积神经网络模型，应用ImageNet数据库中的100多万张图像进行训练。

这个模型是由牛津大学的视觉几何小组开发的。它在2014年ImageNet大规模视觉辨认挑战赛(ILSVRC)中取得了图像分类和检测的顶级问题。

它也是一个经典的网络

3、Alexnet

AlexNet是由Alex Krizhevsky、Ilya Sutskever和Geoffrey Hinton于2012年推出。它在2012年ImageNet大规模视觉辨认挑战赛(ILSVRC)中以15.3%的错误率博得前5名后声名大噪。事实上，这是第一个证实深度卷积神经网络对图像分类有效性的模型。

对于那些相熟由Yann LeCun[4]提出的LeNet架构的人来说，AlexNet的架构是相似的。它只是每个卷积层和重叠的卷积层有更多的过滤器。论文中还介绍了ReLU激活函数和dropout正则化的应用。

在PlotNeuralNet存储库中还有许多更简单的示例(HED、SoftMaxLoss、FCN32……)，这里就不一一介绍了。

ChatGPT

咱们能够看到，在从Python脚本生成的LaTeX代码示例中，各个指令都是十分准确的，所以在开始编写代码之前，都须要对深度神经网络有一个十分清晰的概念。

然而如果咱们不晓得呢？那么就要靠ChatGPT来帮忙咱们生成Python或LaTeX代码。

1、ChatGPT生成LaTeX代码

ChatGPT晓得LaTeX，然而在给出一个工作示例之前，它在生成代码时遇到了麻烦。所以为了让他生成可视化构造，我首先须要给了他FCN32或FCN8代码。

Here is some LaTeX code to generate an FCN 32 Network using the PlotNeuralNet latex package : […]

而后让他应用下面给出的例子来生成一个新的可视化。

Inspire yourself from this code and generate the LaTeX code to visualize a simple Convolutional Neural Network

依据chatgpt返回的代码，可视化成果如下

与官网例子中给出的FCN32作为示例相比，连贯缺失了。并且在这个可视化过程中还短少一些货色。

不晓得是什么起因，ChatGPT犯了一个谬误，它们的x_labels没有正确显示。

它生成了x_label={32}而不是x_label={"32"，"32"}。

须要咱们手动修复它，会失去上面的可视化后果。

下面的图还手动扭转了一些层的宽度。

应用ChatGPT来为咱们生成一个工作原型还是能够的。然而还是须要咱们去手动批改一些细节。

对于咱们的了解而言，Python代码要比LaTeX多很多，可能让他生成Python代码呢？这个通过测试也不太事实，因为Python接口蕴含十分无限的层数：

  • Input layers
  • Dense (fully connected) layers
  • Convolutional layers
  • Pooling layers
  • Unpooling layers
  • Activations layers (ReLu, Softmax)
  • Skip-Layer connections
  • Residual layers
  • Sum / Add layers
  • Output layers

所以一些非凡层还是须要LaTeX版本。

总结

PlotNeuralNet非常弱小，ChatGPT也很弱小，应用ChatGPT能够让咱们的工作更容易，尽管ChatGPT有局限性。但它能够被用作生成原型的工具，而后能够依据须要进行调整。

最初咱们再总结一下提醒：

I started writing LaTeX code to visualize a CNN please finish it : […]

这样就ok了

https://avoid.overfit.cn/post/3c080832c52d4929a3bfd38ca8b0a0fd

作者：Clément Delteil