画图太丑拿不出手？有人做了套机器学习专用画图模板

来源：https://zhuanlan.zhihu.com/p/143657932

论文、博客写好了，里面的图可怎么画？对于很多研究人员和开发者来说，内容的「可视化」是一个大问题。如果从头开始画，配色、空间布局都很伤脑筋，而且画丑了也拿不出手，要是有模板可以套就好了。

别急，还真有人做了一套模板。

这套模板名叫 ML Visuals，是专为解决神经网络画图问题设计的。项目放出不到十天，就引来了不少人的关注，收获了 500 多 star。

下边这张图是不是很面熟？这就是大名鼎鼎的 Transformer 架构，右边是谷歌大脑论文《Attention Is All You Need》中的 Transformer 架构原图，左边是用上述模板重新画出来的，还原度是不是很高，而且看起来很漂亮？

ML Visuals 提供了更加专业、美观、恰当的视觉效果和图形，可以帮助机器学习社区改善科学沟通。用户可以在 PPT 或博客中免费使用其中的视觉效果和图形。

该项目由 dair.ai 社区创建和维护（dair.ai 社区致力于民主化人工智能研究、教育和技术），社区成员将继续更新，添加更常见的图形和基本要素。

用户可以免费下载、复制、分发、重用这里的模板，还可以根据自己的需求进行自定义。

ML 专用画图模板，拯救手残党

ML Visuals 项目中每个好看又复杂的图都是由一个个小模块组成的。在这套模板中，作者用到了多种模块，如表示过程、操作或转换的圆角矩形，表示神经元或任意操作的小圆圈，表示向量的一排小方块以及表示多维数组的网格等。

选择其中一些模块组合使用，就可以得到神经网络的一层：

它们还可以用来表示神经网络中的某个过程，如下图中的分词过程：

再复杂一点，还可以画出整个神经网络：

此外，这套模板还可用来表示机器学习领域的一些概念，如线性回归：

Dropout：

对于喜欢「暗黑模式」的同学，这个项目也照顾到了：

除此之外，该项目还提供了背景模板，方便用户进行图形自定义。

如何使用？

该项目使用 Google Slides 对所有视觉效果和图形进行维护，用户可以通过 Google Slides 使用其中的组件，或执行添加、自定义等操作。

添加

想要添加自定义图，只需添加一张新的幻灯片，并重用任意基础视觉组件。不过你需要先获取编辑权限（点击「只能查看」工具栏下的「请求编辑权限」或者发邮件至 ellfae@gmail.com 获取编辑权限）。

复制并使用

用户还可以复制这些幻灯片并按照自己的意愿进行自定义。

共享

dair.ai 社区鼓励用户添加自己的图形并允许他人重用。不过，图形作者最好在幻灯片备注中添加作者信息，方便其他人在重用这些图形时进行恰当地引用。图形作者或设计者还可以添加自己的姓名和邮件地址，方便其他用户咨询相关问题。

此外，图形作者可以为自己的视觉图形提供简单的描述，以帮助其他用户理解用途。

用户需要注意的是，在获取编辑权限后，不要删除别人添加的图形。如果想要进行改进，用户可以新增一张幻灯片，并添加改进版本。

下载

下载幻灯片的过程很简单，只需点击「文件→下载」，然后选择合适的格式即可。

除此以外，如果用户在图形自定义方面需要帮助，或者有一些对他人有益的想法，可以打开 issue 页面（https://github.com/dair-ai/ml-visuals/issues/new）进行描述。

ML Visuals 地址：https://docs.google.com/presentation/d/11mR1nkIR9fbHegFkcFq8z9oDQ5sjv8E3JJp1LfLGKuk/edit#slide=id.g78327f1586_1537_865
GitHub 地址：https://github.com/dair-ai/ml-visuals

已建立深度学习公众号——FightingCV，欢迎大家关注！！！

ICCV、CVPR、NeurIPS、ICML论文解析汇总：https://github.com/xmu-xiaoma666/FightingCV-Paper-Reading

面向小白的Attention、重参数、MLP、卷积核心代码学习：https://github.com/xmu-xiaoma666/External-Attention-pytorch

加入交流群，请添加小助手wx：FightngCV666