 |  |  |
- 接下来教大家如何使用 Python 中的 networkx 库，绘制美观且标准的神经网络。
- 会根据指定的层和节点数量，绘制不同结构的神经网络。
networkx 库可以用来创建和操作图类型的数据结构，其中包括无向图、有向图、带权图等等。
神经网络可以看做是一种图数据结构，因此可以使用networkx库创建，并进行可视化的操作。
简单示例：绘制一个2层的神经网络
-
首先，需提前安装好networkx库，然后在代码中导入 networkx 和 matplotlib。然后使用 DiGraph 创建一个有向图G。
-
我们要绘制的网络，包括了5个节点，第1层的节点编号为1、2，第2层的是3、4、5，我们使用add_edge，从1向3、4、5，从2向3、4、5，连接一条边。
-
为了让绘制的图像看起来像一个神经网络，我们需要为这5个节点设置坐标。创建字典pos，字典的key是节点的名称，字典的value，是节点所在位置。
-
最后使用nx.draw函数进行绘制。
其中G是要绘制的图，
pos是图中节点的坐标，
with_labels = True，代表绘制节点的名称
node_color和edgecolor是节点和边的颜色
linewidths和width是节点和边的粗细
node_size是节点的大小
# 在代码中导入networkx 和 matplotlib
import networkx as nx
import matplotlib.pyplot as plt
G = nx.DiGraph() # 使用DiGraph创建一个有向图G
# 网络包括了5个节点
# 第一层的节点编号为1、2，第2层的是3、4、5
G.add_edge(1, 3) # 从1到3
G.add_edge(1, 4) # 从1到4
G.add_edge(1, 5) # 从1到5
G.add_edge(2, 3) # 从2到3
G.add_edge(2, 4) # 从2到4
G.add_edge(2, 5) # 从2到5
# 创建字典pos，字典的key是节点的名称
# 字典的value，是节点所在位置
# 1号和2号节点在一列
# 3、4、5在一列
# 因此设置1和2的x坐标为0；3、4、5的为1
# 同一组中的节点，可以均匀的分布在同一列上
# 所以我们将1和2的y坐标，设置为0.25和0.75
# 3、4、5的y坐标0.2、0.5、0.8
# {节点名称:(节点x坐标,节点y坐标)}
pos = {
1: (0, 0.25), # 节点1的坐标(0,0.25)
2: (0, 0.75), # 节点2的坐标(0,0.75)
3: (1, 0.2), # 节点3的坐标(1, 0.2)
4: (1, 0.5), # 节点4的坐标(1, 0.5)
5: (1, 0.8), # 节点5的坐标(1, 0.8)
}
# 使用nx.draw函数进行绘制
nx.draw(G, # 要绘制的图
pos, # 图中节点的坐标
with_labels=True, # 绘制节点的名称
node_color='white', # 节点的颜色
edgecolors='black', # 边的颜色
linewidths=3, # 节点的粗细
width=2, # 边的粗细
node_size=1000 # 节点的大小
)
plt.show() # 使用show方法显示图形
自定义函数，根据参数自由绘制神经网络
| | |
# 在代码中导入networkx 和 matplotlib
import networkx as nx
import matplotlib.pyplot as plt
G = nx.DiGraph() # 使用DiGraph创建一个有向图G
# 网络包括了5个节点
# 第一层的节点编号为1、2，第2层的是3、4、5
G.add_edge(1, 3) # 从1到3
G.add_edge(1, 4) # 从1到4
G.add_edge(1, 5) # 从1到5
G.add_edge(2, 3) # 从2到3
G.add_edge(2, 4) # 从2到4
G.add_edge(2, 5) # 从2到5
# 创建字典pos，字典的key是节点的名称
# 字典的value，是节点所在位置
# 1号和2号节点在一列
# 3、4、5在一列
# 因此设置1和2的x坐标为0；3、4、5的为1
# 同一组中的节点，可以均匀的分布在同一列上
# 所以我们将1和2的y坐标，设置为0.25和0.75
# 3、4、5的y坐标0.2、0.5、0.8
# {节点名称:(节点x坐标,节点y坐标)}
pos = {
1: (0, 0.25), # 节点1的坐标(0,0.25)
2: (0, 0.75), # 节点2的坐标(0,0.75)
3: (1, 0.2), # 节点3的坐标(1, 0.2)
4: (1, 0.5), # 节点4的坐标(1, 0.5)
5: (1, 0.8), # 节点5的坐标(1, 0.8)
}
# 使用nx.draw函数进行绘制
nx.draw(G, # 要绘制的图
pos, # 图中节点的坐标
with_labels=True, # 绘制节点的名称
node_color='white', # 节点的颜色
edgecolors='black', # 边的颜色
linewidths=3, # 节点的粗细
width=2, # 边的粗细
node_size=1000 # 节点的大小
)
plt.show()
# 根据传入的输入层、隐含层、输出层的神经元数量，绘制对应的神经网络
def draw_network_digraph(input_num, hidden_num, output_num):
G = nx.DiGraph() # 创建一个图G
# 连接输入层和隐含层之间的边
for i in range(input_num):
for j in range(hidden_num):
G.add_edge(i, input_num + j)
# 连接隐含层和输出层之间的边
for i in range(hidden_num):
for j in range(output_num):
G.add_edge(input_num + i, input_num + hidden_num + j)
pos = dict() # 计算每个节点的坐标pos
# 节点的坐标，(x,y)设置为：
# (0,i-input_num/2)
# (1,i-hidden_num)/2)
# (2,i-output_num/2)
# 根据每一层的节点数量，将节点从中间，向两边分布
for i in range(0, input_num):
pos[i] = (0, i - input_num / 2)
for i in range(0, hidden_num):
hidden = i + input_num
pos[hidden] = (1, i - hidden_num / 2)
for i in range(0, output_num):
output = i + input_num + hidden_num
pos[output] = (2, i - output_num / 2)
# 调用 nx.draw 绘制神经网络
nx.draw(G, # 要绘制的图
pos, # 图中节点的坐标
with_labels=False, # 绘制节点的名称
node_color='white', # 节点的颜色
edgecolors='black', # 边的颜色
linewidths=3, # 节点的粗细
width=2, # 边的粗细
node_size=1000 # 节点的大小
)
if __name__ == '__main__':
# 尝试多组参数，绘制不同结构的神经网络
draw_network_digraph(3, 5, 2)
plt.show()
draw_network_digraph(5, 2, 6)
plt.show()
draw_network_digraph(1, 10, 1)
plt.show()
