PlotNeuralNet实战：从零绘制你的第一个卷积神经网络图

Mu Tian

259人浏览 · 2026-07-04 10:10:29

Mu Tian · 2026-07-04 10:10:29 发布

1. PlotNeuralNet是什么？

如果你正在研究深度学习模型，尤其是卷积神经网络（CNN），那么你一定遇到过需要将模型结构可视化的需求。手动绘制网络结构图不仅耗时，而且很难保证专业性和一致性。这时候PlotNeuralNet就能派上大用场了。

PlotNeuralNet是一个基于LaTeX的工具，专门用于生成高质量的神经网络架构图。它通过Python脚本生成TikZ代码，最终编译成PDF格式的矢量图。这种图最大的特点就是清晰、专业，完全符合学术论文的出版要求。我最早是在写论文时发现的这个工具，当时试了好几种可视化方案，最后发现只有PlotNeuralNet生成的图能让审稿人一眼看懂我的模型结构。

相比其他可视化工具，PlotNeuralNet有几个明显优势：

矢量图质量 ：生成的PDF可以无限放大而不失真
编程化生成 ：通过Python脚本定义网络结构，避免重复劳动
一致性 ：所有图使用相同的样式，保证论文中的统一性
灵活性 ：可以精确控制每个层的位置和连接方式

2. 环境准备与安装

2.1 安装LaTeX环境

PlotNeuralNet依赖LaTeX来生成最终的PDF图。在Windows上推荐安装MikTeX，这是一个轻量级的LaTeX发行版。安装过程非常简单：

访问MikTeX官网下载安装包
运行安装程序，一路点击"Next"即可
安装完成后，建议在命令行运行 pdflatex --version 验证安装

对于Ubuntu用户，可以通过以下命令安装所需组件：

sudo apt-get install texlive-latex-extra 
sudo apt-get install texlive-fonts-recommended
sudo apt-get install texlive-fonts-extra

2.2 获取PlotNeuralNet

PlotNeuralNet的源代码托管在GitHub上。获取方式有两种：

直接下载ZIP包解压
使用Git克隆仓库（推荐）：

git clone https://github.com/HarisIqbal88/PlotNeuralNet.git

我建议使用Git方式，因为后续更新会更方便。克隆完成后，你会看到一个包含多个目录的文件夹，其中最重要的是：

pycore/ ：包含Python接口的核心代码
pyexamples/ ：提供各种示例脚本
examples/ ：LaTeX示例文件

3. 绘制第一个CNN图

3.1 理解基本结构

让我们从一个简单的3层CNN开始。PlotNeuralNet使用Python列表来定义网络架构，每个层都是一个字典形式的对象。基本结构如下：

arch = [
    to_head('..'),  # 初始化
    to_cor(),       # 颜色设置
    to_begin(),     # 开始绘图
    
    # 这里添加各层定义
    
    to_end()        # 结束绘图
]

3.2 定义卷积层

卷积层使用 to_Conv 函数定义。以下是一个典型卷积层的参数：

to_Conv(
    name="conv1",       # 层名称 
    s_filer=224,        # 输入尺寸
    n_filer=(64,64),    # 输入/输出通道数
    offset="(0,0,0)",   # 位置偏移
    to="(0,0,0)",       # 连接位置
    width=2,            # 宽度
    height=32,          # 高度
    depth=32            # 深度
)

关键参数说明：

offset ：控制该层在x、y、z轴上的位置
to ：指定该层连接到哪个位置
width/height/depth ：控制立方体的大小

3.3 添加池化层

池化层使用 to_Pool 函数定义：

to_Pool(
    name="pool1",
    offset="(0,0,0)", 
    to="(conv1-east)",  # 连接到conv1的右侧
    height=28,
    depth=28,
    width=1
)

3.4 连接各层

使用 to_connection 函数连接两个层：

to_connection("pool1", "conv2")  # 连接pool1和conv2

4. 完整示例与编译

4.1 完整脚本示例

下面是一个完整的3层CNN示例：

import sys
sys.path.append('../')
from pycore.tikzeng import *

arch = [
    to_head('..'),
    to_cor(),
    to_begin(),
    
    # 第一层卷积
    to_Conv("conv1", 512, 64, offset="(0,0,0)", to="(0,0,0)", height=32, depth=32, width=3),
    
    # 第一层池化
    to_Pool("pool1", offset="(0,0,0)", to="(conv1-east)"),
    
    # 第二层卷积
    to_Conv("conv2", 128, 64, offset="(1,0,0)", to="(pool1-east)", height=32, depth=32, width=2),
    to_connection("pool1", "conv2"),
    
    # 第二层池化
    to_Pool("pool2", offset="(0,0,0)", to="(conv2-east)", height=28, depth=28, width=1),
    
    # 输出层
    to_SoftMax("soft1", 10, "(3,0,0)", "(pool1-east)", caption="SOFTMAX"),
    to_connection("pool2", "soft1"),
    
    to_end()
]

def main():
    namefile = str(sys.argv[0]).split('.')[0]
    to_generate(arch, namefile + '.tex')

if __name__ == '__main__':
    main()

4.2 编译生成PDF

保存脚本后（例如保存为 my_cnn.py ），在命令行运行：

python my_cnn.py

这会生成一个 .tex 文件。然后使用PlotNeuralNet提供的编译脚本：

bash ../tikzmake.sh my_cnn

最终会生成一个PDF文件，用任何PDF阅读器打开即可查看你的CNN结构图。

5. 高级技巧与问题排查

5.1 调整布局参数

当网络层数较多时，可能需要调整布局。几个关键参数：

offset ：控制层与层之间的间距
height/depth ：调整层的大小比例
to 参数的特殊值：
- (layer-name-east) ：连接到某层的右侧
- (layer-name-west) ：连接到某层的左侧
- (layer-name-north) ：连接到某层的上方