神经网络可视化有3D版本了,美到沦陷!

机器学习实验室

共 2793字,需浏览 6分钟

 ·

2022-08-29 12:05



转自 | 量子位

做计算机视觉,离不开CNN。

可是,卷积、池化、Softmax……究竟长啥样,是怎样相互连接在一起的?

对着代码凭空想象,多少让人有点头皮微凉。于是,有人干脆用Unity给它完整3D可视化了出来。

66adde88757741d525184210708eee5a.webp

还不光是有个架子,训练过程也都呈现得明明白白。

比如随着epoch(迭代次数)的变化,训练过程中各层出现的实时变化。

9ffd7edd9b5ddde54c3cd30c5fb79b57.webpce05c46863d5d2acc376791748e8eca3.webp

为了能更清楚地展示网络细节,用户还可以在其中自由地折叠、扩展每个层。

比如将特征图在线性布局和网格布局之间转换。

8da149cb1b419e98438f5c135da4518c.webp

折叠卷积层的特征图输出。

12d6cf380566f23cd24806626ca95106.webp

对全连接层进行边绑定(edge bunding)等等。

6f11af0227f78eedecce7b707c5b5304.webp

这样的可视化图像,可以通过加载TensorFlow的检查点来构建。

544669cc704743b1f3e1df44ee0e2e93.webp

也可以在Unity编辑器中设计。

c795339aeb8e4747044277cefa6a8d6a.webp

是不是有点鹅妹子嘤那感觉了?

最近,这个项目又在社交媒体上火了起来。

5ebf29948228e9eeb2cead1e902a2a72.webp

网友们纷纷表示:

“要是能在训练的时候看到这个过程,再长时间我也能忍啊。”

“求开源。”

281d3ef089abb10cab76b52ed0807972.webp

该项目的作者,是一位来自维也纳的3D特效师。

据他介绍,之所以创建这样一个CNN可视化工具,是因为他自己初学神经网络时,经常觉得很难理解卷积层之间是如何相互连接,又如何与不同类型的层连接的。

而该工具的主要功能包括,卷积、最大池化和完全连接层的可视化表示,以及各种能实现更清晰可视化的简化机制等等。

总而言之,就是想让初学者通过最直观的方式,来get到CNN的重点。

如何用Unity搞出一个3D网络

在正式上手Unity前,作者先在Houdini软件中,搭建了一个可视化的3D网络原型。

99196aa4977142bbd250cd3537c1d713.webp

也就是说,先给Unity版3D网络提供一个搭建思路,提前准备好实现展示卷积计算的方法、特征图的形状、边绑定的效果等问题。

它的节点编辑器长这样:

d040c97b2c9230e194c985992d77eccc.webp

然后,就可以在Unity上搭建3D神经网络了。

首先,需要预设好神经网络的“形状”。

由于之前并没有用过Unity,作者先学习了着色器和过程式几何相关的知识。

这里面,作者发现了一些局限性,他采用的是Unity为着色器开发的语言Shaderlab,这个语言无法使用着色变化,只有对语义进行预定义的变量,才能让它在顶点、几何和像素着色器之间传递。

而且,它无法任意分配顶点属性,只有位置、颜色、UV等预定义属性。(可能这也是3D网络无法实时改变颜色的原因之一)

b3a7a71c3ed36cc0baa9b1d539eb491c.webp

在研究了一些实例化(instancing)相关的概念后,作者计划采用几何着色器的方法生成神经网络的连线。其中起点和终点被传递到顶点着色器,并直接转发到几何着色器。

这些线,最多可以由120个顶点组成,因为Unity允许的几何着色器能创建的变量的标量浮点数为1024。

设计后的网络形状,大致长这样:

c233238bd02aa414e260b58f607f0e76.webp

然后,就是从模型的TensorFlow代码中,生成对应的3D神经网络图像。

其中,Tensorflow-native.ckpt格式的文件,需要存储重构模型图所需的数据、二进制的权重读取和激活值,以及特定层的名字。

以Cifar10-greyscale数据集为例,需要编写一个检查点(checkpoint)文件,以及设置随即初始化的权重。

5ad3fb2b9234b1747d30a38f220c3271.webp

在那之后,需要加载这些检查点文件、启动TensorFlow会话,输入训练示例,以便查询每一层的激活函数。

然后编写一个json文件,存储每一层的形状、名称、权重和激活函数,便于读取。然后使用权重值,将颜色数据分配给各层的Unity Mesh。

9f5424acd23227ea1b72c54bba47326c.webp

最终搞出来的效果,还是不错的:

69ad2680ea29abe74ed70ac77d08c6b6.webp

作者还录了个开发视频,在文末可以找到地址。

相关研究还不少

事实上,此前已经有不少学者,进行过神经网络可视化的研究。

例如,去年5月,一位中国博士就可视化了卷积神经网络,将每一层的变化都展示得非常清楚,只需要点击对应的神经元,就能看见它的“操作”。

8174b59443f8eda247900e67126522d7.webp

这是用TensorFlow.js加载的一个10层预训练模型,相当于在浏览器上就能跑CNN模型,也可以实时交互,显示神经元的变化。

不过,这还是个2D的项目。

目前,也已经有人像上面那个神经网络模型一样,做出了3D的可视化神经网络:

9b3f5fe860029d6c7e8be1af450c7808.webp

这个项目,同样用到了边绑定、光线追踪等技术,与特征提取、微调和归一化相结合,将神经网络可视化。

这项项目希望能借由这些技术,来估计神经网络中不同部分的重要性。

为此,作者将神经网络的每一部分都用不同的颜色来表示,根据节点和节点在网络中的重要性,来预测它们之间的关联性。

614a0cd72270bfff39ec6f60703372a6.webp

大致的处理过程是这样的:

a25faae4540d25ca791be8a61473b265.webp

如果对于这类3D神经网络可视化感兴趣,可以在文末找到对应的开源项目地址。

作者介绍

9e7b2c79107f346a2f46984232126940.webp

Stefan Sietzen,现居维也纳,此前曾是个3D视觉方向的自由职业者。

目前,他在维也纳工业大学读硕,对视觉计算(visual computing)非常感兴趣,这个3D神经网络,就是他在硕士期间做的项目之一。

开发过程:
https://vimeo.com/stefsietz

已开源的3D神经网络项目:
https://github.com/julrog/nn_vis


往期精彩:

 深度学习论文精读[13]:Deeplab v3+

 深度学习论文精读[12]:Deeplab v3

 深度学习论文精读[11]:Deeplab v2

 深度学习论文精读[10]:Deeplab v1

 深度学习论文精读[9]:PSPNet

 深度学习论文精读[8]:ParseNet

 深度学习论文精读[7]:nnUNet

  深度学习论文精读[6]:UNet++

  深度学习论文精读[5]:Attention UNet

 深度学习论文精读[4]:RefineNet

  深度学习论文精读[3]:SegNet

  深度学习论文精读[2]:UNet网络

  深度学习论文精读[1]:FCN全卷积网络

浏览 19
点赞
评论
收藏
分享

手机扫一扫分享

分享
举报
评论
图片
表情
推荐
点赞
评论
收藏
分享

手机扫一扫分享

分享
举报