### 使用 Matplotlib 和 NetworkX 绘制神经网络图 在 Jupyter Notebook 中，可以通过 `Matplotlib` 和 `NetworkX` 库来绘制神经网络图，并为其添加详细的注释。这种方法不需要依赖于 Graphviz，因此非常适合希望避免额外工具的情况。 以下是实现这一目标的具体方式： #### 1. 安装必要的库 确保已安装所需的 Python 库。如果没有安装这些库，可以运行以下命令进行安装： ```bash pip install networkx matplotlib numpy ``` #### 2. 编写绘图代码 下面是一个完整的代码示例，展示如何使用 `NetworkX` 和 `Matplotlib` 来创建一个简单的两层神经网络图，并为节点和边添加注释[^5]。 ```python import matplotlib.pyplot as plt import networkx as nx import numpy as np def draw_neural_network(layer_sizes, node_labels=None, edge_weights=None): """ layer_sizes: 列表形式指定每一层的节点数量，例如 [4, 3, 2] node_labels: 节点标签列表，默认为空 edge_weights: 边权重矩阵，默认为空 """ G = nx.DiGraph() # 创建有向无环图 # 添加节点 prev_layer_nodes = [] pos = {} height = max(layer_sizes) * 1.2 y_step = height / (max(layer_sizes) + 1) for i, size in enumerate(layer_sizes): layer_y = height - ((i + 1) % 2) * y_step # 层高偏移 nodes_in_this_layer = list(range(sum(layer_sizes[:i]), sum(layer_sizes[:i]) + size)) for j, node_id in enumerate(nodes_in_this_layer): G.add_node(node_id) pos[node_id] = (i, layer_y - j * y_step) if i > 0: # 连接当前层到前一层 edges_to_add = [(prev_node, curr_node) for prev_node in prev_layer_nodes for curr_node in nodes_in_this_layer] G.add_edges_from(edges_to_add) prev_layer_nodes = nodes_in_this_layer # 设置边缘权重（如果有） if edge_weights is not None and isinstance(edge_weights, dict): nx.set_edge_attributes(G, values=edge_weights, name="weight") # 绘制图形 fig, ax = plt.subplots(figsize=(8, 6)) nx.draw( G, pos=pos, with_labels=False, node_color='lightblue', node_size=700, arrowsize=20, arrowstyle='-|>', connectionstyle='arc3, rad = 0.1' ) # 添加节点标签 if node_labels is not None: labels = {node: label for node, label in zip(list(G.nodes), node_labels)} nx.draw_networkx_labels(G, pos, labels=labels, font_size=10, font_weight='bold') # 添加边权重标签 if edge_weights is not None and isinstance(edge_weights, dict): weights = nx.get_edge_attributes(G, 'weight') formatted_weights = {(u, v): f"{weights[(u,v)]:.2f}" for u, v in weights} nx.draw_networkx_edge_labels(G, pos, edge_labels=formatted_weights, font_color='red', font_size=9) plt.title("Neural Network Diagram", fontsize=16) plt.axis('off') # 隐藏坐标轴 plt.show() # 示例调用 layer_sizes = [4, 3, 2] # 输入层、隐藏层、输出层大小 node_labels = ['Input Node {}'.format(i+1) for i in range(4)] + \ ['Hidden Node {}'.format(j+1) for j in range(3)] + \ ['Output Node {}'.format(k+1) for k in range(2)] edge_weights = { (0, 4): 0.5, (0, 5): 0.3, (0, 6): 0.2, (1, 4): 0.4, (1, 5): 0.6, (1, 6): 0.1, (2, 4): 0.7, (2, 5): 0.2, (2, 6): 0.5, (3, 4): 0.3, (3, 5): 0.4, (3, 6): 0.8 } draw_neural_network(layer_sizes, node_labels=node_labels, edge_weights=edge_weights) ``` 此代码定义了一个函数 `draw_neural_network`，它接受层数量及其对应的节点数作为输入参数，并允许自定义节点标签以及边上的权重显示[^5]。 #### 3. 结果解释 - **节点布局**：通过调整每层的高度差 (`y_step`) 实现清晰的分层效果。 - **箭头样式**：设置箭头方向和弯曲程度以便更直观地表现连接关系。 - **颜色与尺寸**：利用不同颜色区分各部分；适当增大节点面积使其更容易辨认。 - **注释功能**：支持为每个节点分配唯一名称，并可选地标记重要链接强度。 ---