PlotNeuralNet：可以创建任何神经网络的可视化图表，并且这个LaTeX包有Python接口，我们可以方便的调用。
但是他的最大问题是需要我们手动的编写网络的结构，这是一个很麻烦的事情，这时 ChatGPT 就出来了，它可以帮我们生成LaTeX代码。在本文中，我将介绍如何安装和使用PlotNeuralNet，展示一些可视化示例，以及如何使用ChatGPT为我们生成LaTeX代码!
PlotNeuralNet
以下说明取来自PlotNeuralNet的说明，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的话需要下载并安装一个LaTeX编译器，比如MiKTeX。然后还要安装一个bash运行程序，比如Git自带的bash或Cygwin。
安装完成后我们就可以使用官方的样例了：
cd pyexamples/
bash ../tikzmake.sh test_simple
在Windows上，你可能会遇到一些错误。
../tikzmake.sh:第4行:python:命令未找到
这时需要打开tikzmake.sh文件，并根据Python版本在第4行、Python2或Python3上进行修改。
比如我这里要改成python3 $1.py而不是python $1.py。
../tikzmake.sh:第5行:pdflatex:命令未找到
此错误意味着与MikTeX安装相关的环境变量有问题。需要手动将pdflatex添加到环境变量中。
这个基本示例代码如下，我们简单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()
通过上面定义的结构，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:
这个可以根据你对Python或LaTeX的熟悉程度来选择，对我来说python更直观一些，所以我使用MiKTeX从Python指令生成LaTeX代码。
下面我们来看一看PlotNeuralNet生成复杂深度神经网络的可视化样例
1、U-Net
U-Net于图像分割任务。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。它允许更精确的分割。
2、VGG16
VGG16是一个卷积神经网络模型，使用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大规模视觉识别挑战赛(ILSVRC)中获得了图像分类和检测的顶级成绩。
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大规模视觉识别挑战赛(ILSVRC)中以15.3%的错误率赢得前5名后声名大噪。事实上，这是第一个证明深度卷积神经网络对图像分类有效性的模型。
对于那些熟悉由Yann LeCun[4]提出的LeNet架构的人来说，AlexNet的架构是类似的。它只是每个卷积层和堆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正则化的使用。
在PlotNeuralNet存储库中还有许多更复杂的示例(HED、SoftMaxLoss、FCN32……)，这里就不一一介绍了。
ChatGPT
我们可以看到，在从Python脚本生成的LaTeX代码示例中，各个指令都是非常精确的，所以在开始编写代码之前，都需要对深度神经网络有一个非常清晰的概念。
但是如果我们不知道呢？那么就要靠ChatGPT来帮助我们生成Python或LaTeX代码。
1、ChatGPT生成LaTeX代码
ChatGPT知道LaTeX，但是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结构，我首先需要给了他FCN32或FCN8代码。
Here is some LaTeX code to generate an FCN 32 Network using the PlotNeuralNet latex package : […]
然后让他使用上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
根据chatgpt返回的代码，可视化效果如下
与官方例子中给出的FCN32作为示例相比，连接缺失了。并且在这个可视化过程中还缺少一些东西。
不知道是什么原因，ChatGPT犯了一个错误，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"}。
需要我们手动修复它，会得到下面的可视化结果。
上面的图还手动改变了一些层的宽度。
使用ChatGPT来为我们生成一个工作原型还是可以的。但是还是需要我们去手动修改一些细节。
对于我们的理解而言，Python代码要比LaTeX多很多，能够让他生成Python代码呢？这个经过测试也不太现实，因为Python接口包含非常有限的层数：
- 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
所以一些特殊层还是需要LaTeX版本。
总结
PlotNeuralNet十分强大，ChatGPT也很强大，使用ChatGPT可以让我们的任务更容易，虽然ChatGPT有局限性。但它可以被用作生成原型的工具，然后可以根据需要进行调整。
最后我们再总结一下提示：
I started writing LaTeX code to visualize a CNN please finish it : […]
这样就ok了
作者：Clément Delteil