你知道輕量級神經(jīng)網(wǎng)絡(luò)可視化的通用框架么？

在搭建網(wǎng)絡(luò)的時候，可視化的模型將在很大程度上幫助我們直觀地理解模型結(jié)構(gòu)和數(shù)據(jù)的流動。那么除了大家常用的Tensorboard外，有木有一種通用又輕量化的可視化包呢？最近一位開發(fā)者放出了一個名為Netron的神經(jīng)網(wǎng)絡(luò)可視化包，在三種主流操作系統(tǒng)和瀏覽器端通用，支持包括Tensorflow、caffe2、MXNet等15種常見框架的模型文件可視化，只需要一個輕量級的網(wǎng)頁端就可以打開自己的模型文件進(jìn)行可視化，整個項(xiàng)目不到2M的輕量級大小，在github上已經(jīng)獲得了接近三千五百顆星。

我們先來看看里面可視化的模型長什么樣的。下圖是tensorflow中搭建的inception_v3模型局部，左邊是模型中不同的單元及其互相關(guān)系，如果單擊某個單元還可以在右邊看到它內(nèi)部的超參數(shù)配置，包括輸入輸出、相關(guān)卷積核、數(shù)據(jù)格式、數(shù)據(jù)類型、單元命名、stride的長度和padding的類型等等。

這個功能包支持絕大多數(shù)神經(jīng)網(wǎng)絡(luò)操作，可以為不同的節(jié)點(diǎn)顯示不同的顏色，其中卷積主要用藍(lán)色標(biāo)簽顯示，池化和批歸一化用深綠色而非線性的Relu等在使用了褐色，數(shù)學(xué)操作則用黑色標(biāo)簽標(biāo)示。

那么如何使用呢？開發(fā)者提供了macOS、Linux和Windows的應(yīng)用程序下載，直接安裝即可使用，如果你想馬上就能上手試試，那么直接打開網(wǎng)頁端也是很方便的，可以訪問下面這個網(wǎng)址，上傳自己的模型文件即可看到網(wǎng)絡(luò)結(jié)構(gòu)展現(xiàn)在你的面前：

https://lutzroeder.github.io/netron/https://www.lutzroeder.com/ai/netron/如果你喜歡用python搭建模型并進(jìn)行調(diào)優(yōu)，利用pip安裝并引入到程序中實(shí)時通過瀏覽器查看模型的變化也是極好的：pip install netron

安裝完成后直接導(dǎo)入工具包即可：

import netronnetron.start('path/of/your/model')

將會默認(rèn)在8080創(chuàng)建端口，打開localhost對應(yīng)端口即可使用。最后，如果你想使用個性化的設(shè)置，可以在git上下載源碼修改對應(yīng)的設(shè)置，比如端口號可以在src/__init__.py中修改：

parser.add_argument('--port', help='port to serve (default: 8080)', type=int, default=8080)

可視化各個標(biāo)簽的顏色字體可以在src/view-grapher.css中找到對應(yīng)的操作進(jìn)行修改。修改成自己熟悉的顏色，可以開始愉快的觀看我們的神經(jīng)網(wǎng)絡(luò)了：

其他的工具

事實(shí)上除了tensorboard外，還有各種適用于不同模型的可視化工具，例如支持caffe模型的Netscope,也能在網(wǎng)頁端輸出漂亮的可視化模型：

還有一個名為HiddenLayer的工具包，支持PyTroch、Tensorflow和Keras的模型可視化，在沒有安裝tensorboard的云服務(wù)上尤其有用，它可以在本地生成模型架構(gòu)的png圖或者pdf文件，每個節(jié)點(diǎn)上標(biāo)記了詳細(xì)的輸入輸出和通道參數(shù)，十分方便查看。

它還能實(shí)現(xiàn)訓(xùn)練過程的動態(tài)可視化，可以直接在jupyter內(nèi)使用:

是tensorboard不可用是一個很好的可視化工具包，在很多情況下是一個很好的補(bǔ)充。這幾個工具包各有所長，小伙伴們可以在實(shí)際工作中選擇自己需要的工具包來實(shí)現(xiàn)可視化，畢竟能看到的網(wǎng)絡(luò)調(diào)起來心里才更有譜！

ref:netscope：http://ethereon.github.io/netscope/quickstart.htmlhidden:https://github.com/waleedka/hiddenlayerhttps://blog.csdn.net/qq_36955294/article/details/84260961SNE:https://cs.stanford.edu/people/karpathy/cnnembed/deepvis:http://yosinski.com/deepvisDeepVisualization Toolbox:http://yosinski.com/deepvishttps://blog.csdn.net/FreeApe/article/details/72862335visdom:https://blog.csdn.net/yaningli/article/details/88576664tensorboardX:https://github.com/lanpa/tensorboardXhttps://matplotlib.org/faq/usage_faq.html

pic from :https://dribbble.com/shots/3776954-Outco-explainer