用 Matplotlib 畫出簡單的雙層神經網路

Posted on Edited on In

Matplotlib 是一個強大的數據可視化工具，不僅可以用來繪製各種圖表，還能用來繪製複雜的結構圖，如神經網路圖。在這篇文章中，我們將展示如何用 Matplotlib 畫出一個簡單的雙層神經網路。

double-layer-neural-network-diagram

簡單的雙層網路

導入所需模組

1
2
import matplotlib.pyplot as plt
import matplotlib.patches as patches

定義節點和層

1
2
3
input_nodes = ['Input 1', 'Input 2', 'Input 3']
hidden_nodes = ['Hidden 1', 'Hidden 2', 'Hidden 3', 'Hidden 4']
output_nodes = ['Output']

設定節點位置

使用字典來定義每個節點在圖形中的位置，這樣我們可以準確地在圖上繪製出節點。

1
2
3
4
5
6
7
8
9
10
pos = {
    'Input 1': (0, 3),
    'Input 2': (0, 2),
    'Input 3': (0, 1),
    'Hidden 1': (2, 4),
    'Hidden 2': (2, 3),
    'Hidden 3': (2, 2),
    'Hidden 4': (2, 1),
    'Output': (4, 2.5)
}

創建圖形和座標軸

使用 Matplotlib 創建一個新的圖形和座標軸，並設定圖形的大小。

1
fig, ax = plt.subplots(figsize=(10, 6))

繪製節點和連接

繪製輸入層節點和連接

1
2
3
4
for node in input_nodes:
    ax.add_patch(plt.Circle(pos[node], 0.1, color='lightblue', ec='black', zorder=3))
    plt.text(pos[node][0] - 0.7, pos[node][1], node, fontsize=12, ha='right', va='center')
    ax.arrow(pos[node][0] - 0.6, pos[node][1], 0.35, 0, head_width=0.05, head_length=0.1, fc='black', ec='black', length_includes_head=True)

繪製隱藏層節點

1
2
for node in hidden_nodes:
    ax.add_patch(plt.Circle(pos[node], 0.1, color='lightgreen', ec='black', zorder=3))

繪製輸出層節點和連接

1
2
3
4
for node in output_nodes:
    ax.add_patch(plt.Circle(pos[node], 0.1, color='lightcoral', ec='black', zorder=3))
    plt.text(pos[node][0] + 0.8, pos[node][1], 'Output', fontsize=12, ha='left', va='center')
    ax.arrow(pos[node][0] + 0.2, pos[node][1], 0.5, 0, head_width=0.05, head_length=0.1, fc='black', ec='black', length_includes_head=True)

繪製虛線箭頭連接

我們需要在輸入層和隱藏層之間，以及隱藏層和輸出層之間繪製虛線箭頭，以表示節點之間的連接。

1
2
3
4
for input_node in input_nodes:
    for hidden_node in hidden_nodes:
        ax.annotate("", xy=(pos[hidden_node][0], pos[hidden_node][1]), xytext=(pos[input_node][0], pos[input_node][1]),
                    arrowprops=dict(arrowstyle="->", linestyle="--", color='gray'))

輸入層和隱藏層間權重

1
plt.text(1, 3.7, 'weights', fontsize=10, color="gray", ha='center', va='center', rotation=25)

隱藏層和輸出層間箭頭

1
2
3
4
for hidden_node in hidden_nodes:
    for output_node in output_nodes:
        ax.annotate("", xy=(pos[output_node][0], pos[output_node][1]), xytext=(pos[hidden_node][0], pos[hidden_node][1]),
                    arrowprops=dict(arrowstyle="->", linestyle="--", color='gray'))

繪製矩形框和標籤

我們在每個層的周圍添加矩形框並標註層名稱，以便更清晰地展示神經網路的結構。

1
2
3
4
5
6
7
8
9
10
11
input_rect = patches.Rectangle((-0.5, 0.5), 1, 3, linewidth=1, edgecolor='black', facecolor='none')
hidden_rect = patches.Rectangle((1.5, 0.5), 1, 4, linewidth=1, edgecolor='black', facecolor='none')
output_rect = patches.Rectangle((3.5, 2), 1, 1, linewidth=1, edgecolor='black', facecolor='none')

ax.add_patch(input_rect)
ax.add_patch(hidden_rect)
ax.add_patch(output_rect)

plt.text(-0.05, 3.8, 'Input Layer', fontsize=12, ha='center')
plt.text(2, 4.8, 'Hidden Layer', fontsize=12, ha='center')
plt.text(4.1, 3.3, 'Output Layer', fontsize=12, ha='center')

設置圖形邊界和外觀

1
2
3
4
ax.set_xlim(-1, 5)
ax.set_ylim(0, 5.5)
ax.set_aspect('equal')
ax.axis('off')

顯示圖形

1
plt.show()

完整範例程式碼

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
# 導入所需模組
import matplotlib.pyplot as plt
import matplotlib.patches as patches


# 定義節點和層
input_nodes = ['Input 1', 'Input 2', 'Input 3']
hidden_nodes = ['Hidden 1', 'Hidden 2', 'Hidden 3', 'Hidden 4']
output_nodes = ['Output']


# 設定節點位置
pos = {
    'Input 1': (0, 3),
    'Input 2': (0, 2),
    'Input 3': (0, 1),
    'Hidden 1': (2, 4),
    'Hidden 2': (2, 3),
    'Hidden 3': (2, 2),
    'Hidden 4': (2, 1),
    'Output': (4, 2.5)
}

# 創建圖形和座標軸
fig, ax = plt.subplots(figsize=(10, 6))

# 繪製節點和連接
## 繪製輸入層節點和連接
for node in input_nodes:
    ax.add_patch(plt.Circle(pos[node], 0.1, color='lightblue', ec='black', zorder=3))
    plt.text(pos[node][0] - 0.7, pos[node][1], node, fontsize=12, ha='right', va='center')
    ax.arrow(pos[node][0] - 0.6, pos[node][1], 0.35, 0, head_width=0.05, head_length=0.1, fc='black', ec='black', length_includes_head=True)

## 繪製隱藏層節點
for node in hidden_nodes:
    ax.add_patch(plt.Circle(pos[node], 0.1, color='lightgreen', ec='black', zorder=3))

## 繪製輸出層節點和連接
for node in output_nodes:
    ax.add_patch(plt.Circle(pos[node], 0.1, color='lightcoral', ec='black', zorder=3))
    plt.text(pos[node][0] + 0.8, pos[node][1], 'Output', fontsize=12, ha='left', va='center')
    ax.arrow(pos[node][0] + 0.2, pos[node][1], 0.5, 0, head_width=0.05, head_length=0.1, fc='black', ec='black', length_includes_head=True)

# 繪製虛線箭頭連接
for input_node in input_nodes:
    for hidden_node in hidden_nodes:
        ax.annotate("", xy=(pos[hidden_node][0], pos[hidden_node][1]), xytext=(pos[input_node][0], pos[input_node][1]),
                    arrowprops=dict(arrowstyle="->", linestyle="--", color='gray'))

# 在輸入層和隱藏層之間添加權重標籤
plt.text(1, 3.7, 'weights', fontsize=10, color="gray", ha='center', va='center', rotation=25)

# 繪製隱藏層和輸出層之間的箭頭連接
for hidden_node in hidden_nodes:
    for output_node in output_nodes:
        ax.annotate("", xy=(pos[output_node][0], pos[output_node][1]), xytext=(pos[hidden_node][0], pos[hidden_node][1]),
                    arrowprops=dict(arrowstyle="->", linestyle="--", color='gray'))

# 添加矩形框和標籤
input_rect = patches.Rectangle((-0.5, 0.5), 1, 3, linewidth=1, edgecolor='black', facecolor='none')
hidden_rect = patches.Rectangle((1.5, 0.5), 1, 4, linewidth=1, edgecolor='black', facecolor='none')
output_rect = patches.Rectangle((3.5, 2), 1, 1, linewidth=1, edgecolor='black', facecolor='none')

ax.add_patch(input_rect)
ax.add_patch(hidden_rect)
ax.add_patch(output_rect)

plt.text(-0.05, 3.8, 'Input Layer', fontsize=12, ha='center')
plt.text(2, 4.8, 'Hidden Layer', fontsize=12, ha='center')
plt.text(4.1, 3.3, 'Output Layer', fontsize=12, ha='center')

# 設置圖形邊界和
ax.set_xlim(-1, 5)
ax.set_ylim(0, 5.5)
ax.set_aspect('equal')
ax.axis('off')

# 顯示圖形
plt.show()

double-layer-neural-network-diagram

一個簡單的雙層網路就完成囉!