Press "Enter" to skip to content

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

本站内容均来自兴趣收集,如不慎侵害的您的相关权益,请留言告知,我们将尽快删除.谢谢.

 

来源 | 量子位

 

编辑 | 凹非寺

 

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究竟有什幺与众不同?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。

 

 

那幺,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

 

Be First to Comment

发表评论

您的电子邮箱地址不会被公开。 必填项已用*标注