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；
同时，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
首先通过 configs/processing.json ，进行神经网络处理的参数准备，就像这样：
- {
- "edge_bandwidth_reduction": 0.9,
- "edge_importance_type": 0,
- "layer_distance": 0.5,
- "layer_width": 1.0,
- "node_bandwidth_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 Network。
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.com/julrog/nn_vis
