7个深度神经网络可视化工具,不可错过!

作者: 佚名 2017-07-26 16:48:46

TensorBoard:TensorFlow 集成可视化工具

GitHub 官方项目:https://github.com/tensorflow/tensorflow/tree/master/tensorflow/tensorboard

TensorBoard 涉及到的运算,通常是在训练庞大的深度神经网络中出现的复杂而又难以理解的运算。

为了更方便 TensorFlow 程序的理解、调试与优化,Google 发布了一套叫做 TensorBoard 的可视化工具。你可以用 TensorBoard 来展现你的 TensorFlow 图像,绘制图像生成的定量指标图以及附加数据。

当 TensorBoard 设置完成后,它应该是这样子的:

输入下面的指令来启动 tensorboard:

  1. tensorboard --logdir=/path/to/log-directory 

这里的参数 logdir 指向 SummaryWriter 序列化数据的存储路径。如果 logdir 目录的子目录中包含另一次运行时的数据,那么 TensorBoard 会展示所有运行的数据。一旦 TensorBoard 开始运行,你可以通过在浏览器中输入 localhost:6006 来查看 TensorBoard。进入 TensorBoard 的界面时,你会在右上角看到导航选项卡,每一个选项卡将展现一组可视化的序列化数据集 。对于你查看的每一个选项卡,如果 TensorBoard 中没有数据与这个选项卡相关的话,则会显示一条提示信息指示你如何序列化相关数据。

TensorFlow 图表计算强大而又复杂,图表可视化在理解和调试时显得非常有帮助。

更多详细内容参考:

  • [TensorFlow 中文社区] TensorBoard: 可视化学习
  • [TensorFlow 中文社区] TensorBoard: 图表可视化
  • [极客学院] TensorBoard: 可视化学习

Netscope: 支持 Caffe 的神经网络结构在线可视化工具

官网:https://ethereon.github.io/netscope/quickstart.html

GitHub 项目:https://github.com/ethereon/netscope

“A web-based tool for visualizing neural network architectures (or technically, any directed acyclic graph). It currently supports Caffe’s prototxt format.”

Netscope 是一个支持 prototxt 格式描述的神经网络结构的在线可视工具。它可以用来可视化 Caffe 结构里 prototxt 格式的网络结构,使用起来也非常简单,打开这个地址https://ethereon.github.io/netscope/#/editor,把你的描述神经网络结构的 prototxt 文件复制到该编辑框里,按 shift+enter,就可以直接以图形方式显示网络的结构了。

比如,以 mnist 的 Lenet 和 imagenet 的 AlexNet 网络结构为例,分别把 Caffe 中 caffe/examples/mnist/lenet_train_test.prototxt和 caffe/models/bvlc_alexnet/train_val.prototxt

文件的内容复制到左侧编译框,按 shift+enter, 立即就可以得到可视化的结构图,具体每层的参数等,如下:

Netscope 给出的几个常见 CNN 网络结构示例:

  • AlexNet | Alex Krizhevsky, Ilya Sutskever, Geoffrey Hinton
  • CaffeNet | Yangqing Jia, Evan Shelhamer, et. al.
  • Fully Convolutional Network — Three Stream | Jonathan Long, Evan Shelhamer, Trevor Darrell
  • GoogleNet | Christian Szegedy, et. al.
  • Network in Network | Min Lin, Qiang Chen, Shuicheng Yan
  • VGG 16 Layers | Karen Simonyan, Andrew Zisserman

以上网络的 prototxt 源文件见:https://github.com/ethereon/netscope/tree/gh-pages/presets 。

使用 python/draw_net.py 绘制网络模型

python/draw_net.py,这个文件,就是用来绘制网络模型的,也就是将网络模型由 prototxt 变成一张图片。

在绘制之前,需要先安装两个库

1. 安装GraphViz

  1. $ sudo apt-get install GraphViz 

注意,这里用的是 apt-get 来安装,而不是 pip。

2. 安装 pydot

  1. $ sudo pip install pydot 

用的是 pip 来安装,而不是 apt-get。

安装好了,就可以调用脚本来绘制图片了。

draw_net.py 执行的时候带三个参数:

  • 第一个参数:网络模型的 prototxt 文件;
  • 第二个参数:保存的图片路径及名字;
  • 第二个参数:- - rankdir = x,x 有四种选项,分别是 LR, RL, TB, BT 。用来表示网络的方向,分别是从左到右,从右到左,从上到小,从下到上。默认为 LR。

例:绘制 Lenet 模型

  1. $ sudo python python/draw_net.py examples/mnist/lenet_train_test.prototxt netImage/lenet.png --rankdir=BT 

参考阅读:

  • Netscope: 支持 Caffe 的神经网络结构在线可视化工具
  • Caffe 学习系列 (18): 绘制网络模型
  • Caffe 学习系列——工具篇:神经网络模型结构可视化
  • 深度网络的设计与可视化工具

Neural Network Playground

官网:https://playground.tensorflow.org

GitHub 项目:https://github.com/tensorflow/playground

Deep playground is an interactive visualization of neural networks, written in typescript using d3.js.

PlayGround 是一个图形化用于教学目的的简单神经网络在线演示、实验的平台,非常强大地可视化了神经网络的训练过程。

参考阅读:

  • [知乎] 谁能详细讲解一下 TensorFlow Playground 所展示的神经网络的概念?
  • [Blog] 结合 TensorFlow PlayGround 的简单神经网络原理解释

ConvnetJS

官网:https://cs.stanford.edu/people/karpathy/convnetjs/

GitHub 项目:https://github.com/karpathy/convnetjs

ConvNetJS is a Javascript library for training Deep Learning models (Neural Networks) entirely in your browser. Open a tab and you’re training. No software requirements, no compilers, no installations, no GPUs, no sweat.

Some Online Demos

  • Convolutional Neural Network on MNIST digits
  • Convolutional Neural Network on CIFAR-10
  • Toy 2D data
  • Toy 1D regression
  • Training an Autoencoder on MNIST digits
  • Deep Q Learning Reinforcement Learning demo
  • Image Regression (“Painting”)
  • Comparison of SGD/Adagrad/Adadelta on MNIST

更多内容请关注官网和 GutHub 项目 README。

WEVI

官网:wevi: word embedding visual inspector

GitHub 项目:https://github.com/ronxin/wevi

具体参考:wevi: Word Embedding Visual Inspector

CNNVis

文章来源:Towards Better Analysis of Deep Convolutional Neural Networks arxiv.org/abs/1604.07043

具体参见:能帮你更好理解分析深度卷积神经网络,今天要解读的是一款新型可视化工具——CNNVis,看完就能用!

摘要: 深度卷积神经网络(CNNs)在许多模式识别任务中取得了很大的性能突破, 然而高质量深度模型的发展依赖于大量的尝试,这是由于没有很好的理解深度模型是怎么工作的,在本文中,提出了一个可视化分析系统 CNNVis,帮助机器学习专家更好的理解、分析、设计深度卷积神经网络。

神经网络 可视化工具 TensorFlow
上一篇:人工智能在线特征系统中的数据存取技术 下一篇:如何选择Spark机器学习API
评论
取消
暂无评论,快去成为第一个评论的人吧

更多资讯推荐

2019机器学习框架之争:与Tensorflow竞争白热化,进击的PyTorch赢在哪里?

2019年,机器学习框架之争进入了新阶段:PyTorch与TensorFlow成为最后两大玩家,PyTorch占据学术界领军地位,TensorFlow在工业界力量依然强大,两个框架都在向对方借鉴,但是都不太理想。

大数据文摘 ·  3天前
预测分析:重新考虑组织中的时间和数据

时间序列是一种标准的分析方法,但是较为先进的机器学习工具引入了统计技术,来建立更精确的预测模型。时间是无法倒流的,但是使用现有的工具,您有更多的机会预测时间,更准确地说,是可以预测时间序列样本中的事件是否会继续影响决策趋势。

IT168 ·  2019-09-27 09:57:09
微众银行AI首席科学家NeurIPS论文揭示“神经网络防盗最新技术”

随着深度神经网络(DNN)的快速发展,机器学习服务(MLaaS)等有潜力的商业模式迅速崛起,AI产业化进入发展快车道。然而,保护训练好的DNN模型免于被非法复制,重新分发或滥用(即知识产权侵权)是AI产业化进程中必须要面临和解决的问题。尤其是当下各国企业在深度学习模型和平台方面进行巨额研发投入,对知识产权的保护刻不容缓。

屈鑫 ·  2019-09-26 15:27:09
2019年较热门的5大深度学习课程

今天,我们将和大家盘点一下,当下较流行的深度学习资源/课程,可以帮助你们提升深度学习技能。

猿哥 ·  2019-09-26 05:16:24
脆弱的神经网络:UC Berkeley详解对抗样本生成机制!

用于「欺骗」神经网络的对抗样本(adversarial example)是近期计算机视觉,以及机器学习领域的热门研究方向。只有了解对抗样本,我们才能找到构建稳固机器学习算法的思路。本文中,UC Berkeley 的研究者们展示了两种对抗样本的制作方法,并对其背后的原理进行了解读。

机器之心 ·  2019-09-18 19:20:28
NLP模型超越人类水平?你可能碰到了大忽悠

要明确的是,这也不是说像BERT这样的大型模型或深度学习都是无用的。但是,对于深度学习模型在高级自然语言理解任务中表现出的近乎人类表现的报告,我们应该持怀疑态度。

大数据文摘 ·  2019-09-10 13:48:12
TensorFlow与PyTorch之争,哪个框架最适合深度学习

谷歌的 Tensorflow 与 Facebook 的 PyTorch 一直是颇受社区欢迎的两种深度学习框架。那么究竟哪种框架最适宜自己手边的深度学习项目呢?本文作者从这两种框架各自的功能效果、优缺点以及安装、版本更新等诸多方面给出了自己的建议。

机器之心 ·  2019-09-01 19:19:04
一文看尽26种神经网络激活函数(从ReLU到Sinc)

在本文中,作者对包括 Relu、Sigmoid 在内的 26 种激活函数做了可视化,并附上了神经网络的相关属性,为大家了解激活函数提供了很好的资源。

机器之心 ·  2019-08-29 10:10:52
Copyright©2005-2019 51CTO.COM 版权所有 未经许可 请勿转载