【Neural Network】【可视化】【工具】

1. draw_convnet

GitHub–draw_convnet

一个用于画卷积神经网络的Python脚本
请添加图片描述

2. NN-SVG

Alexander Lenail–NN-SVG
请添加图片描述
请添加图片描述
请添加图片描述

3. PlotNeuralNet

GitHub–PlotNeuralNet

使用latex 来展示神经网络
请添加图片描述

4. Tensorboard

TensorfFlow–TensorBoard–模型图
请添加图片描述

5. Caffe

GitHub–Caffe
请添加图片描述

6.Matlab

Matlab–MathWorks–View Neural Network
请添加图片描述

7.Keras.js

Leon Chen–Keras.js
请添加图片描述

8. DotNet

GitHub–DotNet
请添加图片描述

9. Graphviz

Graphviz
请添加图片描述

10. ConX

Conx documentation
请添加图片描述

11. ENNUI

MIT Mathematics–ENNUI(Elegant Neural Network User Interface)
请添加图片描述

12. Neataptic

Neataptic.js
请添加图片描述

Reference

公众号:
机器学习算法那些事
图灵人工智能

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
链接开放数据云的快速增长,以及将关系型企业数据集提升到基于语义,基于本体的水平的能力不断增强,这意味着大量可用的表示形式信息与潜在用户的概念非常匹配。这些信息。 这使得创建基于本体的,面向用户的工具来搜索和浏览此数据变得很有趣。 尽管最初的工作是针对具有SPARQL / RDF知识的技术用户,但仍存在针对非专业用户的持续建议。 最有前途的方法之一是使用觉查询界面,但需要更多的用户研究来评估其效果。 在本文中,我们比较了两个重要的范式对基于本体的查询接口的可用性的影响:基于表单的接口和基于图的接口。 为了减少影响比较的变量数量,我们使用了我们自己开发的两个最先进的查询工具进行了用户研究,它们共享了大部分代码库:基于图的工具OptiqueVQS *和基于表单的工具PepeSearch。 我们在15位参与者搜索的挪威公司注册处的链接开放数据版本的正式比较研究中对这些工具进行了评估。 参与者必须使用OptiqueVQS *和PepeSearch来应对6个平凡的搜索任务。 即使没有经过先前的培训,检索性能和用户置信度也很高,因此表明这两种界面设计对于搜索RDF数据集都是有效的。 专家搜索者显然倾向于基于图形的界面,而主流搜索者则对基于表单的界面具有更好的性能和信心。 虽然许多参与者自发地称赞了图形界面构成复杂查询的功能,但我们的结果表明图形界面很难掌握。 相比之下,表单界面更易于学习,并且可以缓解主流用户的困惑。 我们还观察到在语义搜索界面中引入多面搜索和动态术语建议的积极结果。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
实付
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