如何使用 Graphviz 在 Python 中可视化神经网络？

在本教程中，我们将学习如何使用 Graphviz 在 Python 中绘制（想象）一个大脑网络。Graphviz 是一个开源的图表示编程 Python 模块。它在科学家进行表示方面非常有名。它将主要数据视为概念图和组织图，这意味着您需要根据其拓扑结构提供对图的主要文本描述，它将自动读取并生成图像。

安装

适用于 Windows 终端

适用于 Anaconda 终端

什么是神经网络？

神经网络的构造大致基于人脑的工作方式：许多神经元连接到其他神经元，通过它们的连接传递信息，并在神经元的输入超过特定阈值时触发。我们的人工神经网络将由人工神经元和神经递质组成，信息在它们之间传递。神经递质，即连接，将通过神经元对决定结果的强度进行加权。这些突触权重将经过一个称为反向传播的优化过程。在训练过程的每个周期中，反向传播将用于回溯网络层，并根据它们对神经网络错误的贡献来调整权重。

神经网络是自我改进的函数，可以将输入引导到正确的输出。然后，我们可以将新的输入放入该函数中，它将根据其与训练数据的函数关系来预测输出。

关于 Graphviz

Graphviz 是一个开源的图可视化软件，允许用户创建和渲染结构化图表，特别是以节点和边（图）的形式。它通常用于表示复杂的关系、工作流程、网络以及树和图等数据结构。该软件支持多种图类型，包括有向图和无向图，并且在节点形状、颜色、边样式和布局方面具有高度可定制性。

Graphviz 提供了多种布局引擎，例如用于有向图的“dot”，用于无向图的“neato”，以及为特定可视化需求量身定制的其他引擎。它读取 DOT 语言中简单的文本图描述，DOT 语言既简单又强大。Graphviz 在学术界、软件工程、数据科学和生物信息学领域被广泛用于可视化分层结构、依赖关系和流程。它易于与编程语言集成，并支持生成 PNG、PDF 和 SVG 等格式的输出，使其成为视觉通信的多功能工具。

神经网络的目标

这个神经网络，就像所有神经网络一样，应该学会数据中的重要特征以产生输出。具体来说，这个神经网络将接收一个包含六个样本的输入矩阵，每个样本有三个元素列，仅包含零和一。例如，训练集中的一个样本可能是 [0, 1, 1]。每个样本的输出将是单个的一或零。输出由输入样本的第一个元素列中的数字决定。使用上面的例子，[0, 1, 1] 的输出将是 0，因为第一列包含一个零。下面将提供一个示例图表，以展示每个输入样本的输出。

有两种方法可以在 Python 中创建神经网络

• 从头开始 - 这可以是一个很好的学习练习，因为它将向您展示神经网络如何从零开始工作。
• 使用神经网络库 - Keras 和 TensorFlow 等库通过抽象化底层代码来处理神经网络的结构。如果您已经熟悉神经网络的工作原理，这是创建神经网络最快、最简单的方法。

无论您选择哪种方法，使用神经网络进行预测的过程都是相同的

1. 导入库。例如：import numpy as np
2. 定义/创建输入数据。例如，使用 numpy 创建数据集和一系列数据值。
3. 为输入特征添加权重和偏置（如果适用）。这些是可学习的参数，意味着它们可以在训练过程中进行修改。

权重 = 影响输出的输入参数

偏置 = 添加到输出的额外边值。

4. 针对已知、好的数据训练网络，以找到权重和偏置的正确值。
5. 使用测试数据集测试网络，以了解其性能。
6. 使用超参数（用于控制训练过程的参数值）拟合模型，计算准确率，并进行预测。

从头开始创建神经网络

在此示例中，我将使用 Python 代码以及 numpy 和 scipy 库来创建一个具有两个节点的简单神经网络。

以下程序的步骤

1. 定义网络，导入此示例所需的 Python 库。
2. 在指定的（有限）范围内生成随机数
3. 正态分布
4. 创建“Network”类并定义其参数
5. 设置每个层的神经元/节点数量并初始化权重矩阵
6. 初始化神经网络权重矩阵的方法
7. 需要更多工作来训练网络。
8. 使用输入向量“input_vector”运行网络。“input_vector”可以是元组、列表或 ndarray，activation_function() 执行核心工作，它是 sigmoid 函数的实现。
9. 运行网络并获取结果
10. 实例化该类的实例
11. 运行 simple_network 以展示、记录和处理形状为 (2) 的元组，并获取结果

输出

 
Output: [[0.40288038]
 [0.6321062 ]]

使用 Graphviz 绘制简单图

方法

1. 导入模块。
2. 创建一个新的 Diagraph 对象。
3. 将 node() 和 edge() 添加到图对象中。
4. 使用 render() 对象保存源文件。

以下是实现

输出

Graph1.png

我们可以使用 dot.source 方法检查生成的源代码。

输出

digraph {
    A1 [labels=Alex]
    B1 [labels=Rishu]
    C1 [labels=Mohe]
    D1 [labels=Satyam]
    A1 -> B1
    A1 -> C1
    A1 -> D1
    B1 -> C1 [constraint=false]
    C1 -> D1 [constraint=false]
}

使用 Graphviz 绘制（可视化）神经网络

在这里，我们使用上述模型中找到的源代码进行实现。

让我们讨论一下方法

• 创建一个有向图对象。
• 使用 rankdir 定义图的方向。
• 创建包含以下项的子图
• 设置颜色。
• 设置节点属性。
• 设置子图的级别。
• 在对象之间创建边（->）。

此源代码应保存在 .txt 文件（myfile.txt）中，并在命令行中运行“dot -Tpng -o myfile.txt”以获取 .png 图形。

示例 1

在终端中运行此命令

输出

示例 2

输出