鍵.png)
使用這些基本 REST API 最佳實踐構(gòu)建出色的 API
還不光是有個架子，訓(xùn)練過程也都呈現(xiàn)得明明白白。
比如隨著epoch（迭代次數(shù)）的變化，訓(xùn)練過程中各層出現(xiàn)的實時變化。
為了能更清楚地展示網(wǎng)絡(luò)細(xì)節(jié)，用戶還可以在其中自由地折疊、擴(kuò)展每個層。
比如將特征圖在線性布局和網(wǎng)格布局之間轉(zhuǎn)換。
折疊卷積層的特征圖輸出。
對全連接層進(jìn)行邊綁定（edge bunding）等等。
這樣的可視化圖像，可以通過加載TensorFlow的檢查點(diǎn)來構(gòu)建。
也可以在Unity編輯器中設(shè)計。
在正式上手Unity前，作者先在Houdini軟件中，搭建了一個可視化的3D網(wǎng)絡(luò)原型。
也就是說，先給Unity版3D網(wǎng)絡(luò)提供一個搭建思路，提前準(zhǔn)備好實現(xiàn)展示卷積計算的方法、特征圖的形狀、邊綁定的效果等問題。
它的節(jié)點(diǎn)編輯器長這樣：
然后，就可以在Unity上搭建3D神經(jīng)網(wǎng)絡(luò)了。
首先，需要預(yù)設(shè)好神經(jīng)網(wǎng)絡(luò)的“形狀”。
由于之前并沒有用過Unity，作者先學(xué)習(xí)了著色器和過程式幾何相關(guān)的知識。
這里面，作者發(fā)現(xiàn)了一些局限性，他采用的是Unity為著色器開發(fā)的語言Shaderlab，這個語言無法使用著色變化，只有對語義進(jìn)行預(yù)定義的變量，才能讓它在頂點(diǎn)、幾何和像素著色器之間傳遞。
而且，它無法任意分配頂點(diǎn)屬性，只有位置、顏色、UV等預(yù)定義屬性。（可能這也是3D網(wǎng)絡(luò)無法實時改變顏色的原因之一）
在研究了一些實例化（instancing）相關(guān)的概念后，作者計劃采用幾何著色器的方法生成神經(jīng)網(wǎng)絡(luò)的連線。其中起點(diǎn)和終點(diǎn)被傳遞到頂點(diǎn)著色器，并直接轉(zhuǎn)發(fā)到幾何著色器。
這些線，最多可以由120個頂點(diǎn)組成，因為Unity允許的幾何著色器能創(chuàng)建的變量的標(biāo)量浮點(diǎn)數(shù)為1024。
設(shè)計后的網(wǎng)絡(luò)形狀，大致長這樣：
然后，就是從模型的TensorFlow代碼中，生成對應(yīng)的3D神經(jīng)網(wǎng)絡(luò)圖像。
其中，Tensorflow-native.ckpt格式的文件，需要存儲重構(gòu)模型圖所需的數(shù)據(jù)、二進(jìn)制的權(quán)重讀取和激活值，以及特定層的名字。
以Cifar10-greyscale數(shù)據(jù)集為例，需要編寫一個檢查點(diǎn)（checkpoint）文件，以及設(shè)置隨即初始化的權(quán)重。
在那之后，需要加載這些檢查點(diǎn)文件、啟動TensorFlow會話，輸入訓(xùn)練示例，以便查詢每一層的激活函數(shù)。
然后編寫一個json文件，存儲每一層的形狀、名稱、權(quán)重和激活函數(shù)，便于讀取。然后使用權(quán)重值，將顏色數(shù)據(jù)分配給各層的Unity Mesh。
最終搞出來的效果，還是不錯的：
事實上，此前已經(jīng)有不少學(xué)者，進(jìn)行過神經(jīng)網(wǎng)絡(luò)可視化的研究。
例如，去年5月，一位中國博士就可視化了卷積神經(jīng)網(wǎng)絡(luò)，將每一層的變化都展示得非常清楚，只需要點(diǎn)擊對應(yīng)的神經(jīng)元，就能看見它的“操作”。
這是用TensorFlow.js加載的一個10層預(yù)訓(xùn)練模型，相當(dāng)于在瀏覽器上就能跑CNN模型，也可以實時交互，顯示神經(jīng)元的變化。
不過，這還是個2D的項目。
目前，也已經(jīng)有人像上面那個神經(jīng)網(wǎng)絡(luò)模型一樣，做出了3D的可視化神經(jīng)網(wǎng)絡(luò):
這個項目，同樣用到了邊綁定、光線追蹤等技術(shù)，與特征提取、微調(diào)和歸一化相結(jié)合，將神經(jīng)網(wǎng)絡(luò)可視化。
這項項目希望能借由這些技術(shù)，來估計神經(jīng)網(wǎng)絡(luò)中不同部分的重要性。
為此，作者將神經(jīng)網(wǎng)絡(luò)的每一部分都用不同的顏色來表示，根據(jù)節(jié)點(diǎn)和節(jié)點(diǎn)在網(wǎng)絡(luò)中的重要性，來預(yù)測它們之間的關(guān)聯(lián)性。
大致的處理過程是這樣的：
文章轉(zhuǎn)自微信公眾號@算法進(jìn)階