高颜值的神经网络可视化工具：3D、彩色、可定制，还能可视化参数重要性 点击上方，选择星标或置顶，不定期资源大放送！ 阅读大概需要5分钟 Follow小博主，每天更新前沿干货 转载自：量子位 最近，一款神经网络可视化工具火了。 这款工具叫做「nn_vis」，它采用了新的3D可视化技术，可以呈现这样的效果： 其作者表示，之所以创建这个工具，是由于神经网络内部缺乏透明度，很难为不同任务选择有效的架构。 nn_vis究竟有什么与众不同？一起来了解一下。 它能够创建神经网络模型，还可以通过参数设置，得到不同的呈现形式； 并且，根据参数重要性的评估结果，对神经网络进行剪枝，从而简化模型； 同时，还可以对神经网络绑定过程实现可视化。 那么，这些功能是怎样实现的呢？ nn_vis利用神经网络优化领域的已有方法，采用批标准化、微调以及特征提取，评估训练后的神经网络不同部分的重要性。 再结合边绑定、光线跟踪、3D impostor和特殊的透明技术等，得到神经网络的3D模型，证明了评估结果的有效性。 具体来看看～ 参数准备首先通过 configs/processing.json ，进行神经网络处理的参数准备，就像这样： { "edge_bandwidth_reduction": 0.9, "edge_importance_type": 0, "layer_distance": 0.5, "layer_width": 1.0, "node_bandwidth_reduction": 0.95, "prune_percentage": 0.0, "sampling_rate": 15.0, "smoothing": true, "smoothing_iterations": 8} 也可以在图形用户界面进行设置： 创建神经网络模型使用可视化工具start_tool.py，并选择神经网络Load Processed Network。 除了现有的网络，还可以生成随机网络，以及处理各种大小的网络。 与最常用的参数相比，可视化可以使训练参数更为结构化。 经过不同的训练，通过旋转、切换相机位置、截屏，可以得到类似这样的效果： 边越靠近，神经网络这些部分的泛化程度就越大，即更容易适应新的数据样本。 ? 左侧的神经网络没有经过随机分配的值的训练：节点和边距离中心分布的更远； ? 中间的则经过一些基本训练，达到90%以上的准确性。 ? 右侧的神经网络以相同方式训练，并且采用L1正则化防止过拟合，得到了具有相似准确性的最窄的模型。 评估各节点的重要性根据节点和边的重要性进行着色，不同的颜色表示神经网络的每一部分，用来预测它们的关联性。 通过左图可以看出，修剪不重要的参数，不会像重要参数那样影响模型的预测准确性。 右图则显示出，根据类别的重要性修剪神经网络时，重要类别能够保留准确性。与整体准确性相比，重要类别的准确性始终更高。 通过对神经网络进行剪枝，即剪掉不重要的冗余参数，降低了模型的复杂度和过拟合风险，提升了泛化程度，得到更高效、训练成本更低的神经网络。 由此证明了重要性评估的有效性。 绑定过程可视化通过不断迭代实现神经网络的绑定，大致过程是这样的： 可视化的神经网络绑定过程： 需要注意的是，处理每层的神经网络需要一定时间，计算并不是实时的。 不同的可视化效果在图形用户界面或者通过configs/rendering.json，修改着色器参数，包括： 尺寸、对象的基本不透明度、即重要性对不透明度的影响比率、相机的距离对不透明度的影响比率、物体上不同点的密度对不透明度的影响比率、根据对象的重要性定义渲染对象的阈值。 即可得到不同的可视化效果： 对这款工具感兴趣的朋友，可以通过文末链接获取～ GitHub项目地址： https://github.com/julrog/nn_vis 今日赠书：关注：深度学习技术前沿 消息对话框回复：008，即可参与活动，免费领取下面书籍： 欢迎添加群助手微信，邀请您加入大佬云集-计算机视觉交流群！ ??长按识别添加，邀请您进群！