使用Keras框架(后端可选tensorflow或者theano)，可以画出卷积神经网络的结构图帮助我们理解或确认自己创立的模型。
问题的关键在于使用from keras.utils.visualize_util import plot中的plot函数。
但是直接使用会提示缺少pydot。
首先安装sudo pip3 install pydot以及sudo apt-get install graphviz(在Ubuntu上)。
但是会提示一个和新版keras的兼容问题。于是我们需要安装sudo pip3 install pydot-ng来解决这个问题。
现在就可以画出结构图了：
使用样例一
from keras.layers import Input, Convolution2D, Flatten, Dense, Activation
from keras.models import Sequential
from keras.optimizers import SGD , Adam
from keras.initializations import normal
from keras.utils.visualize_util import plot
# apply a 3x3 convolution with 64 output filters on a 256x256 image:
model = Sequential()
model.add(Convolution2D(64, 3, 3, border_mode='same', dim_ordering='th',input_shape=(3, 256, 256)))
# now model.output_shape == (None, 64, 256, 256)
# add a 3x3 convolution on top, with 32 output filters:
model.add(Convolution2D(32, 3, 3, border_mode='same', dim_ordering='th'))
# now model.output_shape == (None, 32, 256, 256)
adam = Adam(lr=1e-6)
model.compile(loss='mse',optimizer=adam)
print("We finish building the model")
plot(model, to_file='model1.png', show_shapes=True)
样例一
使用样例二
from keras.layers import Input, Convolution2D, MaxPooling2D, Flatten, Dense
from keras.models import Model
from keras.utils.visualize_util import plot
inputs = Input(shape=(229, 229, 3))
x = Convolution2D(32, 3, 3, subsample=(2, 2), border_mode='valid', dim_ordering='tf')(inputs)
x = Flatten()(x)
loss = Dense(32, activation='relu', name='loss')(x)
model = Model(input=inputs, output=loss)
model.compile(optimizer='rmsprop', loss='binary_crossentropy')
# visualize model layout with pydot_ng
plot(model, to_file='model2.png', show_shapes=True)
样例二
使用样例三
from keras.layers import Input, Convolution2D, Flatten, Dense, Activation
from keras.models import Sequential
from keras.optimizers import SGD , Adam
from keras.initializations import normal
from keras.utils.visualize_util import plot
print("Now we build the model")
model = Sequential()
img_channels = 4 #output dimenson nothing with channels
img_rows = 80
img_cols = 80
model.add(Convolution2D(32, 8, 8, subsample=(4,4),init=lambda shape, name: normal(shape, scale=0.01, name=name), border_mode='same', dim_ordering='th',input_shape=(img_channels,img_rows,img_cols)))
model.add(Activation('relu'))
model.add(Convolution2D(64, 4, 4, subsample=(2,2),init=lambda shape, name: normal(shape, scale=0.01, name=name), border_mode='same', dim_ordering='th'))
model.add(Activation('relu'))
model.add(Convolution2D(64, 3, 3, subsample=(1,1),init=lambda shape, name: normal(shape, scale=0.01, name=name), border_mode='same', dim_ordering='th'))
model.add(Activation('relu'))
model.add(Flatten())
model.add(Dense(512, init=lambda shape, name: normal(shape, scale=0.01, name=name)))
model.add(Activation('relu'))
model.add(Dense(2,init=lambda shape, name: normal(shape, scale=0.01, name=name)))
adam = Adam(lr=1e-6)
model.compile(loss='mse',optimizer=adam)
print("We finish building the model")
plot(model, to_file='model3.png', show_shapes=True)
model3

徐海蛟教学




使用Keras框架（后端可选tensorflow或者theano），可以画出卷积神经网络的结构图帮助我们理解或确认自己创立的模型。
问题的关键在于使用from
 keras.utils.visualize_util import plot中的plot函数。

但是直接使用会提示缺少pydot。

首先安装sudo pip3 install pydot以及sudo
 apt-get install graphviz（在Ubuntu上）。
但是会提示一个和新版keras的兼容问题。于是我们需要安装sudo
 pip3 install pydot-ng来解决这个问题。
现在就可以画出结构图了：

使用样例一
from keras.layers import Input, Convolution2D, Flatten, Dense, Activation
from keras.models import Sequential
from keras.optimizers import SGD , Adam
from keras.initializations import normal
from keras.utils.visualize_util import plot

# apply a 3x3 convolution with 64 output filters on a 256x256 image:
model = Sequential()
model.add(Convolution2D(64, 3, 3, border_mode='same', dim_ordering='th',input_shape=(3, 256, 256)))
# now model.output_shape == (None, 64, 256, 256)

# add a 3x3 convolution on top, with 32 output filters:
model.add(Convolution2D(32, 3, 3, border_mode='same', dim_ordering='th'))
# now model.output_shape == (None, 32, 256, 256)
adam = Adam(lr=1e-6)
model.compile(loss='mse',optimizer=adam)
print("We finish building the model")

plot(model, to_file='model1.png', show_shapes=True)



样例一


使用样例二
from keras.layers import Input, Convolution2D, MaxPooling2D, Flatten, Dense
from keras.models import Model
from keras.utils.visualize_util import plot

inputs = Input(shape=(229, 229, 3))

x = Convolution2D(32, 3, 3, subsample=(2, 2), border_mode='valid', dim_ordering='tf')(inputs)

x = Flatten()(x)
loss = Dense(32, activation='relu', name='loss')(x)
model = Model(input=inputs, output=loss)
model.compile(optimizer='rmsprop', loss='binary_crossentropy')

# visualize model layout with pydot_ng
plot(model, to_file='model2.png', show_shapes=True)



样例二


使用样例三
from keras.layers import Input, Convolution2D, Flatten, Dense, Activation
from keras.models import Sequential
from keras.optimizers import SGD , Adam
from keras.initializations import normal
from keras.utils.visualize_util import plot

print("Now we build the model")
model = Sequential()
img_channels = 4 #output dimenson nothing with channels
img_rows = 80
img_cols = 80
model.add(Convolution2D(32, 8, 8, subsample=(4,4),init=lambda shape, name: normal(shape, scale=0.01, name=name), border_mode='same', dim_ordering='th',input_shape=(img_channels,img_rows,img_cols)))
model.add(Activation('relu'))
model.add(Convolution2D(64, 4, 4, subsample=(2,2),init=lambda shape, name: normal(shape, scale=0.01, name=name), border_mode='same', dim_ordering='th'))
model.add(Activation('relu'))
model.add(Convolution2D(64, 3, 3, subsample=(1,1),init=lambda shape, name: normal(shape, scale=0.01, name=name), border_mode='same', dim_ordering='th'))
model.add(Activation('relu'))
model.add(Flatten())
model.add(Dense(512, init=lambda shape, name: normal(shape, scale=0.01, name=name)))
model.add(Activation('relu'))
model.add(Dense(2,init=lambda shape, name: normal(shape, scale=0.01, name=name)))

adam = Adam(lr=1e-6)
model.compile(loss='mse',optimizer=adam)
print("We finish building the model")

plot(model, to_file='model3.png', show_shapes=True)



model3

博主环境Ubuntu 14.04.4 LTS x64+caffe。

先看下成品。

上图是caffe中的经典模型Lenet5网络结构，图片展示的很清晰。
绘图需要使用./cafferoot/python/draw_net.py脚本。
调用命令
/username/caffe/python# python draw_net.py --rankdir TB ../examples/mnist/lenet.prototxt ../examples/mnist/lenet_structure.jpg


draw_net.py后接三个参数，–rankdir选项确定输出图片的摆放位置，TB为从上到下，RL为从右向左，LR为从左向右，默认为LR。../examples/mnist/lenet.prototxt为网络文本，../examples/mnist/lenet_structure.jpg为图片存放地址。
输入上述命令之后不出意外会报错：
ImportError: No module named google.prototxt
解决方法：
安装python-protobuf
sudo apt-get install Python-protobuf

装完之后再次运行命令，提示第二个错误：
ImportError: No module named _caffe
解决方法：
编译pycaffe并添加到环境中。
进入caffe所在目录，运行以下命令
sudo make pycaffe


编译完成之后运行以下命令添加系统环境变量
export PYTHONPATH=$PYTHONPATH:/cafferoot/python


进入python看看能否import caffe
提示第三个错误：
ImportError: No module named skimage.io
这个错误有点坑啊QAQ，参照别人方法用pip安装scikit-image结果GG，提示错误：IndexError: list index out of range后来证明无论用pip还是apt-get安装scikit-image都不行，最后参看Linux之家解决。
解决办法：
输入以下一堆命令去安装python的各种库=。=
sudo apt-get install python-numpy python-scipy python-matplotlib python-sklearn python-skimage python-h5py python-protobuf python-leveldb python-networkx python-nose python-pandas python-gflags Cython ipython


安装完成之后update一下，进入python去import caffe，成功！
接下来运行刚开始的那条命令......
接着报下一个错误：
ImportError: No module named pydot
解决办法：
用pip安装pydot，输入以下命令：
sudo pip install pydot


再次运行刚开始的那条命令
继续报错......
错误：
Exception: "dot" not found in path.
解决办法：
这个错误是由于缺少graphviz导致的，运行以下命令安装
sudo apt-get install graphviz


完成之后再再次运行第一条命令，哎？提示Drawing net to ../examples/mnist/lenet_structure.jpg，难道？成功了？打开目录，果然lenet_structure.jpg结构图片已经出来了。内心很激动......
由于参考了太多文章在这里就不一一感谢，大家一起努力！

1. 下载编译windows下的caffe（包含Python接口），将Build\x64\Release\pycaffe中的caffe文件夹拷进C:\ProgramData\Anaconda2\Lib\site-packages中；
2.在Python中import caffe，若报错No module named google_protobuf_internal，参考http://blog.csdn.net/abc8730866/article/details/52622299；
3.写一个.bat文件内容是Python Build\x64\Release\pycaffe\draw_net.py ResNet-50-deploy.prototxtResNet.png --rankdir=TB（TB表示从Top向bottom画）；
4.运行.bat文件，若提示nomodule named pydot，则在cmd中输入pip install pydot进行安装；
5.若还提示not found dot.exe in path，则在http://www.graphviz.org/Download_windows.php下载graphviz-2.38.zip，解压缩，将graphviz-2.38\release\bin加入环境变量然后运行.bat文件或者将.bat文件放入graphviz-2.38\release\bin中运行即可。