Joker 007的博客

网络结构可视化

神经网络在工作的时候，里面到底是什么样？为了能透视这个“AI黑箱”中的过程，加拿大蒙特利尔一家公司开发一个3D可视化工具Zetane Engine。只需要上传一个模型，Zetane Engine就可以巡视整个神经网络，并且还可以放大网络中的任何一层，显示特征图，看清流水线上的每一步。目前Zetane Engine不同系统的版本都可以在GitHub网站zetane中找到，不同版本的下载地址(左图为卷积层的特征图，右图为特征图的3D可视化)可视化AI工作流程首先，我们需要上传一个模型，上

官网：https://meclabtuda.github.io/M3d-Cam/medcam/medcam_inject.htmlGithub网址：https://github.com/MECLabTUDA/M3d-Cam安装可直运行：pip install medcam# 或者conda install -c conda-forge medcam例子代码：# Import M3d-CAMfrom medcam import medcam# Init your model and da

在科研论文，方案讲解，模型分析中，合理解释特征图是对最终结果的一个加分项。但是之前的一些可视化特征图的方法往往会有一些麻烦，于是在这里给大家推荐一个非常方便实现这个目标的库 – Evison。Github链接: GitHub - JonnesLin/Evison: We provide an easy way for visualizing视频讲解链接: 教你三行代码可视化神经网络特征图_哔哩哔哩_bilibili代码：# 首先需要安装Evison!pip install Evisonfrom

PyTorch 从 1.2.0 版本开始，正式自带内置的 Tensorboard 支持了，我们可以不再依赖第三方工具来进行可视化。本文将介绍 PyTorch 1.2.0 中自带 Tensorboard 的基本使用方法。安装PyTorch 的版本需要 1.2.0 ：pip install --upgrade torch torchvision然后安装 Tensorboard 1.14 ：pip install tensorboard安装完成后，引入响应包：Python 3.7.4 (def

PyTorch 自身的可视化功能没有 TensorFlow 的 tensorboard 那么优秀，所以 PyTorch通常是借助 tensorboard(是借助，非直接使用)进行可视化，所以所用库的名字为tensorboardX。tensorboardX 最早叫 tensorboard，但此名易引起混淆，之后改为 tensorboardX， whichstands for tensorboard for X。Github网址：https://github.com/lanpa/tensorboardX

链接：https://www.jianshu.com/p/46eb3004beca

深度学习可视化解释的显著性map学习笔记(1)CAM(Classification Activation Mapping,类激活图)。目的在于定位出图像上的哪些区域帮助CNN完成了图像的分类。普通的CNN网络，一般分成特征提取和特征分类两大模块，CAM的实现为对输出的特征进行GAP(Global Average Pooling)，得到数量等于输出channel数的一个向量。后面再接一个全连接层，输入神经元数量等于feature的channel数，输出神经元的数量等于数据集的类别数。这样的网络训练完成图像