高颜值神经网络可视化：3D彩色、可定制，还能可

 

本文经AI新媒体量子位（公众号ID:QbitAI）授权转载，转载请联系出处。

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；

，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

通过 configs/processing.json ，进行神经网络处理的参数准备，就像这样

{     "edge_bandidth_reduction": 0.9,     "edge_importance_type": 0,     "layer_distance": 0.5,     "layer_idth": 1.0,     "node_bandidth_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 Netork。

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得更远；

• 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./julrog/nn_vis