高颜值的神经网络可视化工具：3D、彩色、可定制，还能可视化参数重要性-优快云博客

本文介绍了一款名为nn_vis的神经网络可视化工具，它通过3D可视化展示模型架构、参数评估与剪枝效果，帮助理解网络内部工作原理。通过实例和参数调整，展示了如何增强模型透明度并优化模型复杂度。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

转载自：量子位

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的更远；

• 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

---------End---------

精选资料

回复关键词，获取对应的资料：

关键词	资料名称
600	《Python知识手册》
md	《Markdown速查表》
time	《Python时间使用指南》
str	《Python字符串速查表》
pip	《Python：Pip速查表》
style	《Pandas表格样式配置指南》
mat	《Matplotlib入门100个案例》
px	《Plotly Express可视化指南》