关于最近2020年5月1日《CNN EXPLAINER》学习笔记

最新推荐文章于 2024-08-08 07:08:10 发布
最新推荐文章于 2024-08-08 07:08:10 发布
阅读量3.2k 收藏 26
点赞数 7
文章标签： 深度学习 计算机视觉
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_35975447/article/details/105913834
版权

关于中国博士作的一个CNN可视化《CNN EXPLAINER》的学习笔记。如果有问题，也欢迎交流指正。

我是在CVer微信公众号上看到的，有几个传送门。

CNN解释器
https://poloclub.github.io/cnn-explainer/

论文
https://arxiv.org/abs/2004.15004

GitHub
https://github.com/poloclub/cnn-explainer

1.CNN解释器

首先https://poloclub.github.io/cnn-explainer/，由这里进入后，等待刷新一段时间，会出现下面的这个界面：

1.1 conv

以conv_1_1为例，该工作可视化了conv的计算过程。

卷积核大小：由64*64->62*62可以推断出，卷积核大小应该是3*3，步长应该是1。

卷积核个数：10个卷积核。输入是个RGB图像，有3维；经过深度为10的卷积核，得到10个特征图（feather map）。

由动态图，我们可以发现单个卷积核计算，通过3*3卷积分别以相同的权重在RGB每个通道上求乘积之和，然后三个通道求和再加上偏置Bias，就得到一个conv_1_1其中一个特征图的像素，通过滑动得到一个特征图。10个卷积得到10张特征图。

参数量也可以计算出来，由于每个卷积核的权重共享，所以单个卷积核的参数就是3*3，输入有三个颜色通道、10个卷积核，还有一个Bias的参数就是（3*3*3+1）*10。

1.2 relu

激活函数的目的是，主要是可以引入非线性因素，解决线性模型所不能解决的问题。参考知乎。为了引入非线性、以及从几乎处处可微、计算简单、非饱和性、单调性、输出范围有限、参数少等多个方面出发，不断有新的激活函数被提出。

 

                                                                                           f(x)=max(0,x)       

 

激活函数，比较好理解，输入像素值在自变量的范围内，经过激活函数，输出函数值。 

1.3 max pooling

一般情况下，池化的作用是保留显著特征、降低特征维度，增大kernel的感受野。也可以提供一些旋转不变性。

池化有最大池化、平均池化等。

卷积核大小：由60*60->30*30，卷积核大小是2*2，步长是2。

卷积核个数：10个卷积核。前一层的输入是10张特征图，输出也为10张特征图。

 

由动态图，我们可以发现单个卷积核计算，通过max求每个2*2卷积小方块中最大的像素，值赋给对应坐标位置上的一个像素点。

这一层是不需要保留参数的。

2.论文

2.1 摘要

    由于深度学习的复杂性与不可解释性，作者为学生或者非专家提出了交互式可视化工具--CNN EXPLAINER。

2.2 介绍

    由于CNN作为比较常见的网络结构、且入门阶段必学习的。但是呢？

     A student who wants to learn about CNNs needs to develop a mental model of not only how each layer operates, but also how different layers together affect data transformation.

译：想要了解CNNs的学生需要建立一个心理预期，不仅要了解每一层是如何运作的，还要了解不同的层是如何一起影响数据转换的。

    one of the main challenges in learning about CNNs is the intricate interplay between low-level mathematical operations and high-level integration of such operations within the network.

译：学习CNNs的一个主要挑战是低层次数学运算和网络中这些运算的高层次集成之间复杂的相互作用。

    接下来主要说明，现有的帮助人们理解深度学习的一些工具，并争对这些说明其论文要提出该可视化工具的目的，以及总结了该文献的贡献。包括CNN EXPLAINER可视化工具、以及开源代码等等。

2.3.论文

    下图（截取自CNN EXPLAINER论文）是19个已经学习过CNN的被测试者的调研结果。（关于学习CNN过程中最大的挑战、可视化工具最被渴望的功能）

 在第1节中，我们也可以看到论文采用的10层的网络结构，包含了最基本的网络结构，卷积、池化、激活函数等，包含学习CNN过程中的挑战点。下面的图主要输入经过10层简单的VGG模型训练，结果分为十类。

 

wait a minutes
关注
gnn explainer笔记
weixin_39417324的博客
09-26 385
gnn explaine
CNN Explainer
尚拙的博客
07-17 5993
什么是卷积神经网络？ 在机器学习中，分类器将类标签分配给数据点。 例如，图像分类器为图像中存在的对象生成类标签（例如，鸟、平面）。 卷积神经网络，简称CNN，是一种分类器，擅长解决这个问题！ CNN 是一种神经网络：一种用于识别数据模式的算法。 神经网络通常由按层组织的一组神经元组成，每个神经元都有自己的可学习权重和偏差。 让我们将 CNN 分解为其基本构建块。 CNN 是一种神经网络：一种用于识别数据模式的算法。 神经网络通常由按层组织的一组神经元组成，每个神经元都有自己的可学习权重和偏差。 让我们将
python 交互式可视化库_CNN Explainer - 通过交互式可视化学习卷积神经网络
weixin_39639643的博客
11-24 236
CNN ExplainerAn interactive visualization system designed to help non-experts learn about Convolutional Neural Networks (CNNs) For more information, check out our manuscript:CNN Explainer: Learning ...
CNN Explainer 开源项目教程
最新发布
gitblog_00838的博客
08-08 580
CNN Explainer 开源项目教程 cnn-explainerLearning Convolutional Neural Networks with Interactive Visualization.项目地址:https://gitcode.com/gh_mirrors/cn/cnn-explainer 1. 项目的目录结构及介绍 CNN Explainer 项目的目录结构如下： cnn...
cnn-explainer解释CNN作用过程
qq_41533576
07-28 2104
利用
(二) CNN Explainer一款形象具体的CNN解释工具
qq_53685327的博客
04-26 2824
论文题目：CNN EXPLAINER：Learning Convolutional Neural Networks with Interactive Visualization 论文作者：Zijie J. Wang, Robert Turko, Omar Shaikh, Haekyu Park, Nilaksh Das, Fred Hohman, Minsuk Kahng, and Duen Horng (Polo) Chau 论文下载地址：https://arxiv.org/abs/2004.15004
cnn-explainer：通过交互式可视化学习卷积神经网络
02-04
CNN解释器 交互式可视化系统，旨在帮助非专家学习卷积神经网络（CNN） 有关更多信息，请查看我们的手稿： 。 Wang Zijie J.，Robert Turko，Omar Shaikh，Haekyu Park，Nilaksh Das，Fred Hohman，Minsuk Kahng和Duen Horng Chau。 IEEE Transactions on Visualization and Computer Graphics（TVCG），2020年。 现场演示 有关现场演示，请访问： : 本地运行 克隆或下载此存储库： git clone git@github.com:polo
基于JavaScript和Python的CNN Explainer网络交互式可视化设计源码
04-05
本资源提供了一套基于JavaScript和Python的CNN Explainer网络交互式可视化设计源码，包含89个文件，其中包括21个JPEG图片文件，19个Svelte组件文件，13个JavaScript脚本文件，以及9个PNG图片文件，6个SVG矢量文件，3...
神经网路可视化：CNN Explainer
05-11
CNN Explainer 是一个交互式可视化系统，旨在帮助非专业人士学习卷积神经网络(CNNs)。这个解释器展示了一个 10 层的神经网络，包含卷积层、激活函数、池化层等多个 CNN 初学者无论如何也绕不开的概念。
深度学习过程可视化cnn-explainer
xfy_von的博客
11-12 1408
深度学习过程可视化cnn-explainer 这个cnn解释器，把深度学习网络的每个过程都显示处理了，非常适合初学者去了解每个过程 还可以上传自己的图片进行处理 想了解ReLU过程直接点击就有过程 安装过程 先在github上去下载cnn_explainer，然后解压在没有中文路径的文件夹中。 github链接：https://github.com/poloclub/cnn-explainer 下载一个node，下载链接：https://nodejs.org/en/download/release
CNN Explainer----卷积神经网络可视化可解释工具
不定时分享，互相学习，共同进步
12-27 1101
一个可以将输入、计算过程和输出可视化的工具。可以使用上传的图像，可视化的看卷积、激活函数的计算过程和输出结果形成的过程。
深度学习可视化 CNN Explainer
hllyzms的博客
04-04 2338
引言： CNN解释器是 CNN可视化的工具，对于小白而言，CNN可视化对于理解CNN有非常的帮助，因此，花了几天的时间，将CNN解释器网站做了一个翻译，还包括安装CNN解释器的过程和相关资料。 CNN解释器地址：CNN ExplainerCNN Explainer (poloclub.github.io) CNN解释器文献：CNN Explainer: Learning Convolutional Neural Networks with Interactive Visualizationhttps:/.
揭开神经网络的面纱---CNN explainer
weixin_42466194的博客
07-17 697
揭开神经网络的面纱---CNN explainer传统图像处理方法数字图像处理opencv实现CNN处理方法CNN特征提取CNN可视化--- CNN explainerdemo --- 以MNIST为例 传统图像处理方法 数字图像处理 opencv实现 CNN处理方法 CNN特征提取 CNN可视化— CNN explainer demo — 以MNIST为例 ...
CNN-Explainer: 深入理解卷积神经网络的可视化工具
gitblog_00048的博客
03-20 517
CNN-Explainer: 深入理解卷积神经网络的可视化工具 cnn-explainerLearning Convolutional Neural Networks with Interactive Visualization.项目地址:https://gitcode.com/gh_mirrors/cn/cnn-explainer 项目简介 是一个开源项目，旨在帮助开发者和机器学习爱好者更好地...
卷积神经网络学习利器CNN Explainer
从0到1透视卷积神经网络
05-29 398
CNN解说员一个交互式可视化系统，旨在帮助非专家了解卷积神经网络 (CNN)有关更多信息，请查看我们的手稿：CNN 解释器：通过交互式可视化学习卷积神经网络。Wang, Zijie J.、Robert Turko、Omar Shaikh、Haekyu Park、Nilaksh Das、Fred Hohman、Minsuk Kahng 和 Duen Horng Chau。IEEE 可视化和计算机图形学汇刊 (TVCG)，2020 年。现场演示如需现场演示，请访问：本地运行。
CNN解释器：可视化动态展示卷积神经网络CNN工作过程
Jason的博客
05-09 2991
很棒的项目！！！推荐！！！ 将CNN工作过程可视化分析，对初学者太友好了~ CNN解释器 From: Zijie Wang https://poloclub.github.io/cnn-explainer/ GitHub https://github.com/poloclub/cnn-explainer 论文 https://arxiv.org/abs/2004.15004 该解释器加载了一个10层的预训练模型，包含卷积层、激活函数、池化层等多个概念。 只需要打开浏览器加载界面，移.
《Learning Convolutional Neural Networks for Graphs》论文理解
moster.YC的博客
04-27 338
0.标签函数 标签函数l:V→Sl:V\rightarrow Sl:V→S，表示对GGG无序节点VVV的一种排序，得到有序的节点序列SSS,排序函数r:V→{1,...,∣V∣}r:V\rightarrow \{1,...,|V |\}r:V→{1,...,∣V∣},表示对无需节点的一种编号方式。且满足：在通过lll得到的有序节点集合在SSS中，排序l(v)l(v)l(v)在l(u)l(u)l(u...
cnn可视化
jacke121的专栏
05-02 3322
CNN解释器 这个可以看效果 https://poloclub.github.io/cnn-explainer/ GitHub https://github.com/poloclub/cnn-explainer 论文 https://arxiv.org/abs/2004.15004
KernelExplainer和Explainer的区别
05-26
KernelExplainer和Explainer都是解释机器学习模型的方法，但是它们之间存在一些区别。 KernelExplainer是LIME（Local Interpretable Model-Agnostic Explanations）中的一种方法，用于解释单个实例的预测结果。它...
评论 3
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

wait a minutes

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值