TensorSpace:超酷炫3D神经网络可视化框架

  • 时间:
  • 浏览:0
  • 来源:uu快3和值_uu快3app_计划师

开发团队成员:

使用 TensorSpace 直观地在浏览器上显示模型细节和数据流动方向,讲解常见模型的实现原理,比如 ResNet,YOLO 等,可不才能让学生更直观地了解一一一二个多模型的前世今生,输入是那先 ,输出是那先 ,为啥么正确处理数据等等。

http://tensorspace.org/html/docs/preIntro_zh.html

类式在何恺明大神的 Mask-RCNN 论文中,有才能一幅图来描述模型形状(之后模型设计类和应用落地类的论文是否有才能一幅图):

https://github.com/CharlesLiuyx

为那先 (Why)

原文发布时间为:2018-11-13

本次要说明:为那先 要使用本身生活框架?本身生活框架主要正确处理了那先 那先 的现象?我们我们的灵感来源于何处?

https://github.com/zchholmes

机器学习课程教育者

TensorSpace 我觉得才能帮忙训练和设计模型,但它却擅长帮助工程师理解已有模型,为其找到可应用的领域。而且,在接驳广大开发者到机器学习的大道上做了其他微小的工作,做一一一二个多可视化的 Model Zoo。

http://scs.ryerson.ca/~aharley/vis/conv/

用 TensorSpace 构建对应模型本身生活步,下面一段构建 LetNet 的代码过后 更加直观,过后 要在本地运行,前要 Host 本地 Http Server。

TensorSpace 可不才能让用户使用浏览器方便地构建一一一二个多可交互的神经网络 3D 形状更进一步的,用户还可不才能利用 3D 模型的表意能力特点,结合 Tensorflow.js 在浏览器中进行模型预测(跑过后 训练好的模型看输入输出分别是那先 ),帮助理解模型。

模型演示和传播

模型预正确处理简介:

Github链接:

我们我们之后提供了一一一二个多框架,每一一一二个多模型过后 前要直观地展示对数据的正确处理过程,都值得 3D 化。

https://github.com/CharlesLiuyx/3DVis_ConvNN

TensorSpace 是一款 3D 模型可视化框架,一动图胜千言。

为啥么建(How)

3D可视化的信息密度更高更直观

syt1234500 — 主力开发

https://github.com/syt1234500

现在还才能完成的 Yolov2-tiny 之后过后 JavaScript 的轮子较少(大多数正确处理轮子都使用 Python 完成),所有的数据正确处理都需徒手搭建。时间的力量是强大的,我们我们搭建一一一二个多地基,万丈高楼平地起!

做另一一一二个多一款开源框架,除了填补 3D 可视化的一般正确处理方案的框架空白外,还思索了十几个 过后 可行的应用场景。

前端开发者过渡机器学习

你最前要的是模型形状的相关信息,TensorFlow,Keras 是否 对应的 API 打印模型形状信息,比如 Keras 的 model.summary()。还有类式生成形状图的土法律法律依据,生成如下图的模型形状 2D 示意图:

具体流程如下图所示:

机器学习次要

Chenhua Zhu — 开发

模型就像是一一一二个多盛水的容器,而预训练模型之后给本身生活容器装满了水,可不才能用来正确处理实际那先 的现象。搞明白一一一二个多模型的输入是那先 ,输出是那先 ,怎么后能 转化成我们我们可理解的数据形状格式(比如输出的是一一一二个多物体标识框的左上角左下角目标),就可不才能方便地理解某个模型具体做了那先 。

机器学习一定不需要取代前端工程师,但掌握机器学习工具的工程师会有优势(本身生活工具会不需要整合进 Sketch 等工具不好说),既然入了工程师行,终身学习势在必行。

类式,YOLO 到底是怎么后能 算出最后的物体识别框的?LeNet 是怎么后能 做手写识别的?ACGAN 是为啥么一步一步生成一一一二个多 0-9 的图片的?那先 都可不才能在提供的 Playground 中自行探索。

机器学习开发者

https://github.com/lq3297401

源码才能下载,我 Host 了一份在 Github 上:

致谢

开发团队们

CharlesLiuyx — 机器学习模型 & 文档

但面向一般的计算机工程师和非技术类人才(市场、营销、产品等),一片空白,才能一一一二个多优秀的工具来帮助我们我们理解机器学习模型到底做了那先 ,能正确处理一一一二个多那先 那先 的现象。

3D神经网络可视化一片空白

3D 模型不仅可不才能直观展示出神经网络的形状形状(那先 层相连,每一层的数据和计是否从哪里来),还能结合 Tensorflow.js 在浏览器中进行模型预测。过后 我们我们过后 有了模型结果,所有的层间数据直观可见,如下图所示:

我们我们最初的灵感来源于一一一二个多真正教会我厚度卷积网是怎么后能 工作的网站:

https://tensorspace.org/

使用 Tensorflow.js、Three.js、Tween.js 等框架完成本身生活项目,感谢前人给的宽阔肩膀我应该 们有过后 去探索更广阔的世界。

首先你前要有一一一二个多使用常用框架训练好的预训练模型,常见的模型是否 才能输入输出一一二个多暴露给用户的接口。TensorSpace 可不才能全面地展示层间数据,不过前要用户将模型转加上多输出的模型,过程详见以下文档。

本文作者:刘遥行

前端次要

官网链接:

层间数据:神经网络的每一层都做了那先 ?

https://github.com/tensorspace-team/tensorspace

未来,前端的重复性工作之是否慢慢减少。最近有一一一二个多原型图→HTML代码的项目,另一一一二个多 2017 年的开源项目 Pix2Code 是否 尝试利用机器学习自动化其他 Coding 中的重复劳动,提高带宽单位。

用 TensorSpace 教学模型原理效果非常好。它提供了一一一二个多接口去写代码,搞清楚每一一一二个多输出代表了那先 ,是怎么后能 转化成最后结果。当然,从输出到最后结果的转换还是前要写 JavaScript 代码去构建模型形状,在本身生活过程中才能更进一步理解模型的构造细节。

前端(全栈)开发者,产品经理等

也欢迎你有那先 想法给我留言,或直接在 Github 上提出 Pull Request。

JavaScript 最大的优势之后可不才能在浏览器中运行,才能烦人的依赖,不前要踩过各种坑。有一一一二个多版本不才能落后的浏览器和一台性能还可不才能的电脑就可不才能全部访问所有内容。

感谢每一一一二个多为本身生活项目付出的伙伴,才能我们我们每此人 ,就没本身生活生活开源项目破土而出。

TensorSpace 擅长直观展示模型形状和层间数据,生成的模型可交互。官方支持手写字符识别,物体识别,0-9 字符对抗生成网络案例等。

在 TensorSpace 内控 ,调用 Callback Function 可不才能方便的拿到每一层的输出数据(未经正确处理),工程和应用上,了解一一一二个多模型的原始输出数据方便工程落地。

机器学习教育

市面上常见的机器学习可视化框架是否 基于图表(2D),这是由它们的应用领域(训练调试)决定的。但 3D 可视化不仅能一块儿表示层间信息,更能直观地展示模型形状,本身生活点是 2D 可视化不具备的。

是的,你前要对模型形状非常了解才过后 构建出对应的 TensorSpace 模型。未来版本已计划推出自动脚本,通过导入对应的模型预训练文件,一键生成多输出模型。而且 TensorSpace 的 Playground 子项目未来会力所能及地采集更多模型,在模型应用落地和直观展示本身生活领域努力做出贡献。

过后 您的项目前要展示此人 的模型可不才能做那先 、是为啥么做的,私以为,您真的不应该错过 TensorSpace。

模型形状:黑盒子的真面目是那先 ?

是那先 (What)

机器学习开发和工程使用并是否 才能遥不可及,TensorSpace 搭建桥梁连接实际那先 的现象和机器学习模型。

谁过后 用(Who)

本身生活网站的效果,也是团队未来努力的方向(大网络上,过后 实体太多,性能无法支持。为了正确处理性能那先 的现象,我们我们优化为:是否 一一一二个多 Pixel 一一一二个多 Pixel 的渲染,之后一一一二个多形状图一一一二个多形状图的正确处理。

Qi (Nora) — 设计师

如下图所示,模型层间的链接信息可通过直接鼠标悬停具体查看。

本文来自云栖社区合作者伙伴“PaperWeekly”,了解相关信息可不才能关注“PaperWeekly”。

在机器学习可视化上,每个机器学习框架是否 此人 的御用工具,TensorBoard 之于 TensorFlow ,Visdom 之于 PyTorch,MXBoard 之于 MXNet。那先 工具的 Slogan 不约而同地选用了 Visualization Learning(TensorBoard的 Slogan),也之后面向专业机器学习开发者,针对训练过程,调参等设计的专业向可视化工具。