PlotNeuralNet permite crear diagramas de redes neuronales mediante código LaTeX, eliminando la necesidad de herramientas gráficas complejas. Este sistema combina scripts Python con el motor de composición TikZ para generar ilustraciones técnicas listas para publicaciones académicas.

Configuración del Entorno

Clona el repositorio y prepara las dependencias esenciales:

git clone https://github.com/MichaelJanz/PlotNeuralNet
cd PlotNeuralNet

Instala los paquetes LaTeX requeridos según tu sistema operativo:

• En distribuciones basadas en Debian: ``` sudo apt install texlive texlive-pictures texlive-latex-extra

• Usuarios de macOS deben instalar MacTeX
• Windows requiere MiKTeX junto con un entorno de terminal POSIX

Generación Básica de Diagramas

Accede al directorio de ejemplos y ejecuta el script de compilación:

cd ejemplos_python
python3 generar_diagrama.py ejemplo_basico

Este proceso produce ejemplo_basico.pdf mostrando una arquitectura CNN completa con capas convolucionales, de agrupación y totalmente conectadas. El flujo de datos se representa mediante conexiones geométricas precisas.

Estructura del Proyecto

El sistema se organiza en tres componentes clave:

• Biblioteca de ejemplos: Directorio ejemplos con implementaciones de redes estándar (ResNet, U-Net, etc.)
• Definiciones visuales: Archivos .sty en capas que controlan estilos de cajas, esferas y conexiones
• Moter de generación: Módulo motor_tikz con funciones para construir elementos gráficos mediante programación

Creación de Arquitecturas Personalizadas

Define redes mediante código Python utilizando la API estructurada:

from motor_tikz.construccion import *

esquema = [
    encabezado_tikz(),
    inicio_documento(),
    # Definición de capas personalizadas
    capa_conv(
        nombre="cnn_1", 
        filas=28, 
        columnas=28, 
        canales=1,
        posicion="(0,0,0)"
    ),
    capa_agrupacion(
        nombre="pool_1",
        tamano=2,
        posicion_relativa="(1,0,0)"
    ),
    final_documento()
]

def construir():
    generar_pdf(esquema, "mi_red.tex")

if __name__ == "__main__":
    construir()

Los parámetros dimensionales (filas, columnas) controlan la escala visual, mientras que posicion_relativa gestiona la disposición espacial.

Implementación de Redes Complejas

Para arquitecturas avanzadas como U-Net, utiliza bloques predefinidos con conexiones cruzadas:

bloque_encoder = crear_bloque_doble(
    nombre_base="codificador",
    profundidad_inicial=64,
    posicion_inicial="(0,0,0)"
)

bloque_decoder = crear_bloque_transpuesto(
    nombre_base="decodificador",
    profundidad_salida=128,
    conexion_salto="codificador_salida"
)

conexion = generar_salto(
    origen="codificador_caracteristicas",
    destino="decodificador_entrada",
    desplazamiento=1.5
)

Las conexiones cruzadas se configuarn mediante coordneadas relativas y factores de desplazamiento para mantener la claridad visual.

Solución de Problemas Típicos

Errores frecuentes y sus correcciones:

• Archivos .sty no encontrados: Verifica que capas/ esté en el PATH de LaTeX mediante kpsewhich
• Desbordamiento de memoria: Reduce dimensiones con escala_global=0.8 en la configuración del documento
• Colores inconsistentes: Modifica la paleta en recursos/colores.tex usando definiciones RGB personalizadas