神器来啦！一键可视化，终于能看懂神经网络到底在干啥了 来源：量子位 神经网络在工作的时候，里面到底是什么样？ 为了能透视这个“AI黑箱”中的过程，加拿大蒙特利尔一家公司开发一个3D可视化工具Zetane Engine。 只需要上传一个模型，Zetane Engine就可以巡视整个神经网络，并且还可以放大网络中的任何一层，显示特征图，看清流水线上的每一步： △图注：卷积层的特征图（左）和特征图的3D可视化（右）目前Zetane Engine不同系统的版本都可以在GitHub中找到（安装包见文末链接），话不多说，来看看Zetane Engine具体的用法吧~ 可视化AI工作流程首先，我们需要上传一个模型，例如一个识别手写数字的神经网络，输入的图片是一个手写的“2”： 上传之后，Zetane Engine就绘制出了一条“流水线”，每一层神经网络就像一个个工作间： 从输入到卷积，再到连接、激活、池化： 这些个小工作间的进展也是透明的，不信我们聚焦到一个卷积层工作间，点这个图片形状的按钮： 然后这个卷积层的所有特征图都会在上面显示出来，卷积数值的不同体现为颜色的不同，蓝紫色代表数值较小，红黄色代表数值较大： 只有这些还不够，高能现在才刚开始，注意图片按钮右边九个点形状的按钮了吗？ 点击它，Zetane Engine会在界面右边展示出一个工具栏，把刚才显示在卷积层上面的图片呈现出各种各样的形式~ 其中有排列成三维立体的、标注卷积结果数值的，以及纯数值的应有尽有： 二维视角三维视角标注卷积结果的平面图纯卷积结果的数值平面图这样的“工作报告”，谁看了不喜欢？不仅能够可视化地看到卷积过程，还可以调出每一个像素点上的卷积结果。 这还没完，这种多角度的图像处理在连接层、激活层、池化层等工作间也同样适用： △图注：激活层特征图 △图注：池化层特征图一整个看下来，神经网络的工作流程都清清楚楚： 到了最后的全连接输出层，模型会输出一个十列的一维向量（下图右边），用来判断手写数字是0-9的哪一个。 在这个例子中，模型给出了可能性最高的就是数字2。 怎么样？有了这样可视化的工具，是不是感觉AI模型不再是一个黑箱了？ Zetane Engine用法速览Zetane Engine不同系统的版本（Windows、Linux、Mac）都可以在GitHub中找到。 这里我们简单介绍一下Zetane Engine的界面和启动台，方便大家快速熟悉。 打开之后界面是比较简洁的，只有左上角和右上角有一些按钮。我们先看左上角。 上传模型的按钮在启动台左上角Z字标志这里，Zetane Engine支持ONNX、Keras（.h5)以及ZTN三种模型文件。 Z字按钮旁边两个按钮依次是启动模型和清除模型： 如果手头上还没有模型也没关系，点击界面右上角的Z形图标可以到Zetane Engine的模型库中下载模型： △图注：Zetane Engine的模型库另外在启动台SNAPSHOTS按钮这里也有一些经典模型可以选择： 感兴趣的同学可以从文末链接中找到Zetane Engine的下载包，来试试吧~ 参考链接： [1]https://github.com/Zetane/viewer [2]https://www.youtube.com/watch?v=J3Zd5GR_lQs 推荐阅读【重磅】斯坦福李飞飞《注意力与Transformer》总结，84页ppt开放下载！ 苏黎世联邦理工学院SML课题组招收统计机器学习全奖博士生 读博五年，我总结出了7条帮你「少走弯路」的真理 仅需12层网络，在ImageNet上准确率达到80.7%！普林斯顿大学最新提出ParNet！ MobileViT: 一种更小，更快，高精度的轻量级Transformer端侧网络架构（附代码实现） 【移动端最强架构】LCNet吊打现有主流轻量型网络（附代码实现） 基于Attention机制的轻量级网络架构以及代码实现 深度学习中的轻量级网络架构总结与代码实现 一文详解Inception家族的前世今生（从InceptionV1-V4、Xception）附全部代码实现 华为2012实验室诺亚方舟实验室招聘视觉感知算法实习生 欢迎大家加入DLer-计算机视觉&Transformer群！ 大家好，这是计算机视觉&Transformer论文分享群里，群里会第一时间发布最新的Transformer前沿论文解读及交流分享会，主要设计方向有：图像分类、Transformer、目标检测、目标跟踪、点云与语义分割、GAN、超分辨率、视频超分、人脸检测与识别、动作行为与时空运动、模型压缩和量化剪枝、迁移学习、人体姿态估计等内容。 进群请备注：研究方向+学校/公司+昵称（如Transformer+上交+小明） ??长按识别，邀请您进群！