使用netron对mnist网络结构分析

libonnx解析MNIST模型：数据流与shape变化剖析
原创 已于 2022-01-23 11:07:53 修改 · 1k 阅读 · 5 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#1024程序员节

于 2021-07-10 17:08:05 首次发布

基于libonnx环境简要分析一下mnist网络算子结构，关于环境搭建可以参考前面两篇文章：

xboot大神的libonnx环境搭建

使用netron实现对onnx模型结构可视化

本文主要目的是搞清楚mnist各层之间数据shape的变化情况,关于什么是shape，引用一本书中的介绍:

"在tensorflow中，使用张量来表示计算图中的所有数据，张量在计算图的节点之间流动，张量可以看成N维数组，而数组的维数就是张量的阶数。因此，0阶张量对应标量数据，1阶张量对应一维数组，也就是向量。二阶张量对应二维数组，也就是矩阵，以此类推，N阶张量对应n维数组，例如，一张RGB图像可以表示为3阶张量，而多张RGB图构成的数据可以表示为4阶张量。shape(形状）代表的就是张量的一种属性，当然还有其他属性，比如数据类型等等"

再算子执行前面打断点，依次观察输入数据和输出数据的大小：

(gdb) b 2124
Breakpoint 2 at 0x555555560ef8: file onnx.c, line 2124.
(gdb) display n->inputs[0]->ndata
(gdb) display n->outputs[0]->ndata
(gdb) c
Continuing.
Breakpoint 2, onnx_run (ctx=0x555555a501e0) at onnx.c:2124
2124					n->operator(n);
1: n->inputs[0]->ndata = 2560
2: n->outputs[0]->ndata = 2560
(gdb) c
Continuing.

Breakpoint 2, onnx_run (ctx=0x555555a501e0) at onnx.c:2124
2124					n->operator(n);
1: n->inputs[0]->ndata = 784
2: n->outputs[0]->ndata = 6272
(gdb) c
Continuing.

Breakpoint 2, onnx_run (ctx=0x555555a501e0) at onnx.c:2124
2124					n->operator(n);
1: n->inputs[0]->ndata = 6272
2: n->outputs[0]->ndata = 6272
(gdb) c
Continuing.

Breakpoint 2, onnx_run (ctx=0x555555a501e0) at onnx.c:2124
2124					n->operator(n);
1: n->inputs[0]->ndata = 6272
2: n->outputs[0]->ndata = 6272
(gdb) c
Continuing.

Breakpoint 2, onnx_run (ctx=0x555555a501e0) at onnx.c:2124
2124					n->operator(n);
1: n->inputs[0]->ndata = 6272
2: n->outputs[0]->ndata = 1568
(gdb) c
Continuing.

Breakpoint 2, onnx_run (ctx=0x555555a501e0) at onnx.c:2124
2124					n->operator(n);
1: n->inputs[0]->ndata = 1568
2: n->outputs[0]->ndata = 3136
(gdb) c
Continuing.

Breakpoint 2, onnx_run (ctx=0x555555a501e0) at onnx.c:2124
2124					n->operator(n);
1: n->inputs[0]->ndata = 3136
2: n->outputs[0]->ndata = 3136
(gdb) c
Continuing.

Breakpoint 2, onnx_run (ctx=0x555555a501e0) at onnx.c:2124
2124					n->operator(n);
1: n->inputs[0]->ndata = 3136
2: n->outputs[0]->ndata = 3136
(gdb) c
Continuing.

Breakpoint 2, onnx_run (ctx=0x555555a501e0) at onnx.c:2124
2124					n->operator(n);
1: n->inputs[0]->ndata = 3136
2: n->outputs[0]->ndata = 256
(gdb) c
Continuing.

Breakpoint 2, onnx_run (ctx=0x555555a501e0) at onnx.c:2124
2124					n->operator(n);
1: n->inputs[0]->ndata = 256
2: n->outputs[0]->ndata = 256
(gdb) c
Continuing.

Breakpoint 2, onnx_run (ctx=0x555555a501e0) at onnx.c:2124
2124					n->operator(n);
1: n->inputs[0]->ndata = 256
2: n->outputs[0]->ndata = 10
(gdb) c
Continuing.

Breakpoint 2, onnx_run (ctx=0x555555a501e0) at onnx.c:2124
2124					n->operator(n);
1: n->inputs[0]->ndata = 10
2: n->outputs[0]->ndata = 10
(gdb) c
Continuing.

可以看出一个简单的规律，就是前一级网络的输出size等于后一级网络的输入size.

对照网络，可以完全对应的上：

将shape打印出(由dims表示），可以看出和上图完全吻合。（图中一维向量表示为1*N,也看成2维的shape).

Breakpoint 3, onnx_run (ctx=0x5555559ff250) at onnx.c:2124
2124					n->operator(n);
1: n->inputs[0]->ndata = 2560
2: n->outputs[0]->ndata = 2560
3: n->inputs[0]->ndim = 4
4: n->outputs[0]->ndim = 2
(gdb) c
Continuing.

Breakpoint 3, onnx_run (ctx=0x5555559ff250) at onnx.c:2124
2124					n->operator(n);
1: n->inputs[0]->ndata = 784
2: n->outputs[0]->ndata = 6272
3: n->inputs[0]->ndim = 4
4: n->outputs[0]->ndim = 4
(gdb) c
Continuing.

Breakpoint 3, onnx_run (ctx=0x5555559ff250) at onnx.c:2124
2124					n->operator(n);
1: n->inputs[0]->ndata = 6272
2: n->outputs[0]->ndata = 6272
3: n->inputs[0]->ndim = 4
4: n->outputs[0]->ndim = 4
(gdb) c
Continuing.

Breakpoint 3, onnx_run (ctx=0x5555559ff250) at onnx.c:2124
2124					n->operator(n);
1: n->inputs[0]->ndata = 6272
2: n->outputs[0]->ndata = 6272
3: n->inputs[0]->ndim = 4
4: n->outputs[0]->ndim = 4
(gdb) c
Continuing.

Breakpoint 3, onnx_run (ctx=0x5555559ff250) at onnx.c:2124
2124					n->operator(n);
1: n->inputs[0]->ndata = 6272
2: n->outputs[0]->ndata = 1568
3: n->inputs[0]->ndim = 4
4: n->outputs[0]->ndim = 4
(gdb) c
Continuing.

Breakpoint 3, onnx_run (ctx=0x5555559ff250) at onnx.c:2124
2124					n->operator(n);
1: n->inputs[0]->ndata = 1568
2: n->outputs[0]->ndata = 3136
3: n->inputs[0]->ndim = 4
4: n->outputs[0]->ndim = 4
(gdb) 
Continuing.

Breakpoint 3, onnx_run (ctx=0x5555559ff250) at onnx.c:2124
2124					n->operator(n);
1: n->inputs[0]->ndata = 3136
2: n->outputs[0]->ndata = 3136
3: n->inputs[0]->ndim = 4
4: n->outputs[0]->ndim = 4
(gdb) 
Continuing.

Breakpoint 3, onnx_run (ctx=0x5555559ff250) at onnx.c:2124
2124					n->operator(n);
1: n->inputs[0]->ndata = 3136
2: n->outputs[0]->ndata = 3136
3: n->inputs[0]->ndim = 4
4: n->outputs[0]->ndim = 4
(gdb) 
Continuing.

Breakpoint 3, onnx_run (ctx=0x5555559ff250) at onnx.c:2124
2124					n->operator(n);
1: n->inputs[0]->ndata = 3136
2: n->outputs[0]->ndata = 256
3: n->inputs[0]->ndim = 4
4: n->outputs[0]->ndim = 4
(gdb) 
Continuing.

Breakpoint 3, onnx_run (ctx=0x5555559ff250) at onnx.c:2124
2124					n->operator(n);
1: n->inputs[0]->ndata = 256
2: n->outputs[0]->ndata = 256
3: n->inputs[0]->ndim = 4
4: n->outputs[0]->ndim = 2
(gdb) 
Continuing.

Breakpoint 3, onnx_run (ctx=0x5555559ff250) at onnx.c:2124
2124					n->operator(n);
1: n->inputs[0]->ndata = 256
2: n->outputs[0]->ndata = 10
3: n->inputs[0]->ndim = 2
4: n->outputs[0]->ndim = 2
(gdb) 
Continuing.

Breakpoint 3, onnx_run (ctx=0x5555559ff250) at onnx.c:2124
2124					n->operator(n);
1: n->inputs[0]->ndata = 10
2: n->outputs[0]->ndata = 10
3: n->inputs[0]->ndim = 2
4: n->outputs[0]->ndim = 2
(gdb) 
Continuing.

然后再以ndim为上限，索引dims，还是以reshape为例：

可以看出和netron解析的图中reshape模块的shape完全吻合:

darknet网络举例：

netron不但可以解析onnx格式的模型文件，还支持darknet中 .cfg格式的文件，比如：

 不过貌似N，C，W，H的排列有所差别，在上面mnist网络中，顺序是，个数X通道数X长度X高度

而darknet的cfg中，对于输出数据，是WxHxC的方式，也即是宽X长X通道号，但是对于每个算子节点，则是CXNXWXH的方式，也即是通道数在前，之后依次是个数，宽和长. N是batch size.

从最后一层的模型看不出它的结构，实际上它是一个全连接层：

这一点可以通过芯原的模型转换工具的转换结果看出来，芯原的转换工具，可以将ONNX模型转换为芯原NPU吃的json文件模型，而netron是支持此类型的可视化输出的。

以下模型是和上图同一个模型文件，转换为芯原格式的JSON模型文件后，通过NETRON分析得到的网络模型结构，可以看到，最后一层是全连接。

lenet 模型都需要对吃进去的图像做数据归一化，libonnx实现也不例外

 

 

结束！

遗传算法与深度学习：优化神经网络结构
AI天才研究院
05-23 2879
关键词： 遗传算法，深度学习，神经网络，结构优化，超参数调整深度学习近年来取得了令人瞩目的成就，其在图像识别、自然语言处理、语音识别等领域展现出巨大的应用潜力。然而，深度学习模型的性能很大程度上取决于其结构和超参数的设置。手动设计神经网络结构需要大量的专业知识和经验，并且效率低下。为了解决这个问题，人们开始探索使用自动化方法来优化神经网络结构，而遗传算法作为一种经典的进化算法，为解决这一问题提供了新的思路。遗传算法（Genetic Algorithm，GA）是一种模拟自然选择和遗传机制的优化算法。它将问题的
AI算力网络与通信：模型压缩的创新之路
AI天才研究院
07-14 406
本文旨在帮助读者理解模型压缩技术在AI算力网络与通信中的关键作用，掌握主流压缩方法的原理和实现，并了解这些技术在实际应用中的价值。核心概念与联系：介绍AI算力网络和模型压缩的基本概念核心算法原理：详细讲解三种主流模型压缩技术项目实战：通过代码示例展示模型压缩的实际应用实际应用场景：探讨模型压缩在边缘计算等场景中的应用未来发展趋势与挑战AI算力网络：分布式计算环境中用于AI模型训练和推理的网络架构模型压缩：减少AI模型大小和计算复杂度的技术集合通信优化：减少网络传输数据量的技术方法。
Netron可视化深度学习网络结构
一名在读大学生，正在学习深度学习，会定期分享一些该领域内容。欢迎大家一起交流学习~
10-05 8657
Netron 是一个开源的模型可视化工具，用于可视化深度学习模型的结构和参数。它可以加载和显示多种框架和模型格式，包括ONNX（Open Neural Network Exchange）、TensorFlow、Keras、Caffe、Core ML 等。通过图形界面，用户可以直观地查看模型的网络结构、层级关系、参数等信息。
Netron：神经网络模型可视化工具指南【全网最详细】
深耕CV
10-31 1万+
Netron，是一个非常直观和流行的神经网络模型可视化工具。怎么快速学会它？
最直观的U-Net模型解析：用Netron实现动态图可视化全流程
最新发布
gitblog_00814的博客
09-11 430
你是否还在为理解U-Net模型结构而烦恼？面对复杂的网络层级关系感到无从下手？本文将带你通过Netron工具实现U-Net模型的动态可视化，让你轻松掌握这一经典图像分割模型的每一个细节。读完本文，你将能够独立完成U-Net模型的可视化操作，清晰理解其编码器-解码器结构，并学会如何将可视化结果应用于模型调试和优化。 ## 准备工作：环境搭建与依赖安装 在开始可视化之前，我们需要先确保环境中安装了...
netron可视化模型，新手了解模型结构神器
Hang3Y的博客
01-15 3701
需求描述：刚刚接触神经网络，因为对代码不敏感，可以选择可视化模型，把结构画出来，然后再对着代码看，方便理解。方便你去了解模型的层之间的连接，输出和输入都是些什么。 方法：netron（可以有离线、在线、PC端软件），这里以在线和离线两种进行说明
TensorBoard MNIST 网络结构
qq_39862223的博客
07-07 547
1.mnist简介 MNIST数据集是深度学习巨头-卷积网络之父Yann LeCun发布的一个供计算机视觉识别学习使用的手写数据识别的数据集。它包括60000个训练集和10000个测试集，每条数据（或者说每张图片）都是28x28x1类型，即图片的宽度为28，高度为28，通道数为1。且MNIST数据集已经把图片数据转换为标准的列表数据类型，如60000个训练集的数据格式是：[60000, 784]，表示有60000条数据，每条数据是784维(28x28=784)。 我把mnist数据集下载至网盘，方便下载
caffe 自带例子之MNIST的网络解析
vola的专栏
05-09 634
网络结构lenet 各层网络的定义在:examples/mnist/lenet_train_test.prototxt.各层的定义: DATA layer minist的数据源自lmdb文件, 数据的读取定义在data layer layer { name: "mnist" type: "Data" transform_param { s
mnist数据集实现的网络图，画图表示出神经网络的预算过程，包括权重，偏置，以及激活函数
04-15
引用[1]和[3]提到了MNIST手写体识别的模型搭建和特征图可视化，引用[2]和[4]讨论了BP神经网络的结构和激活函数的使用。特别是引用[2]中的BP网络结构图和引用[4]中关于ReLU和Softmax的应用，这些信息对回答用户的问题...
卷积神经网络 (Convolutional Neural Network)
AI天才研究院
06-17 1501
卷积神经网络 (Convolutional Neural Network) 1.背景介绍 卷积神经网络(Convolutional Neural Network, CNN)是一种前馈神经网络,它的人工神经元可以响应一部分覆盖范围内的周围数据,对于大型图像
【实战演练】：使用数据增强可视化对比分析卷积神经网络效果
[【实战演练】：使用数据增强可视化对比分析卷积神经网络效果](https://img-blog.csdnimg.cn/img_convert/5d53266d29d2462aebd117e12a671058.png) # 1. 数据增强技术概述 在机器学习和深度学习领域，数据增强技术是...
MNIST手写识别进阶：更多层网络和格式化结构.ipynb
03-07
这个代码， 跟B站深度学习教学视频同步。基于Tensorflow 1.13.1, 使用内置的MNIST手写数字集，进行双层神经网络的训练。训练使用了格式化代码，在此基础上，可以轻松增加模型的层数。
【神经网络实战——MNIST】网络的设计
lijf2001的博客
08-16 582
整体架构 MNIST是一个比较简单的数据集，因此也无需设计过于复杂的神经网络。 因此我们就选择最简单的三层神经网络，即输入层，输出层，隐藏层。 现在就分别对每一层进行设计。 输入层 MNIST的图片大小是28×2828\times 2828×28，图片非常小，一共也就784像素，因此完全没有必须用到卷积神经网络来处理。 输入层就设计有784个结点，每个结点代表一共像素。这样就可以很好地把整张照片的信息全部地记录下来，并全部传入神经网络。 输出层 这显然十分分类问题，一共有10类，即数字0到9。 因此输出层只
Netron可视化网络结构
q蓝色Tu耳其
06-15 2206
Netron可视化网络结构 在尝试了其他的可视化网络结构方法之后，还是觉得用netron最直观，界面也最好看，并且对于各个深度学习框架也比较友好。 代码部分： if __name__ == '__main__': net = ResidualAttentionModel_448input() net.cuda() print('net: {}'.format(net)) path = "../checkpoints/" model = path+'best.pth
MNIST的卷积神经网络（CNN)
鲲鹏望舒
05-06 1325
1MNIST网络结构及算法推导 2.基于tensorflow的实现 参考：https://blog.youkuaiyun.com/zgzczzw/article/details/79897956
pytorch实现mnist分类
KyrieHe的博客
05-30 3162
torchvision包 包含了目前流行的数据集，模型结构和常用的图片转换工具。 torchvision.datasets中包含了以下数据集 MNIST COCO（用于图像标注和目标检测）(Captioning and Detection) LSUN Classification ImageFolder Imagenet-12 CIFAR10 and CIFAR100 STL10 ...
mnist神经网络构建
weixin_41329098的博客
07-03 331
mnist神经网络构建 准备数据 （1）导人必要的模块 import numpy as np import torch #导入 pytorch 内置的 mnist 数据 from torchvision.datasets import mnist #导入预处理模块 import torchvision.transforms as transforms from torch.utils.data import DataLoader #导入nn及优化器 import torch.nn.functional a
【caffe-Windows】mnist实例编译之model的使用-classification
热门推荐
风翼冰舟的博客
08-16 1万+
仿照cifar10的模型使用，本文对mnist的训练方式做了部分修改 【注】本文caffe安装路径为E:\CaffeDev-GPU\caffe-master。请自行参考并修改相关路径(debug以及release参考你编译caffe时候采用的模式) 第一步 按照前面的model生成方法的前两步骤制作数据集，得到两个文件夹。并拷贝到E:\CaffeDev-GPU\caffe-master\Bu
PyTorch 手把手搭建(MNIST)神经网络
小白学视觉
03-26 1550
点击上方“小白学视觉”，选择加"星标"或“置顶”重磅干货，第一时间送达仅作学术分享，不代表本公众号立场，侵权联系删除转载于：作者：知乎 摸鱼地址：https://www.zhihu.com/people/sun-xu-sen-3001数据集介绍本文使用的是PyTorch自带的MNIST数据集，该数据集中为PIL Image，size=28x28。数据存储形式为(data...
pytorch根据FNN模型画出网络结构图
06-28
<think>我们被要求使用PyTorch可视化前馈神经网络(FNN)的结构。根据引用[1]和[2]，我们知道FNN是一个前向传播的网络，通常由输入层、隐藏层和输出层组成。在PyTorch中，我们可以使用`torchviz`库或`hiddenlayer`库来可视化网络结构，但更常用的是`torchviz`。此外，PyTorch本身也提供了`print(model)`来打印文本结构，但图形化更直观。步骤：1.安装必要的库：`torchviz`和`graphviz`。注意：`graphviz`需要单独安装（从官网下载或使用包管理器）。2.定义模型（这里使用引用[1]中的FNN模型，假设是一个多层感知机）。3.生成一个示例输入，并通过模型进行前向传播。4.使用`torchviz`的`make_dot`函数生成计算图（即模型结构图）。注意：由于引用[1]中的FNN模型代码未给出，我们假设一个简单的FNN结构（例如用于MNIST分类的神经网络）。通常，FNN模型会包含线性层和激活函数。假设模型定义如下（根据引用[1]的上下文）：```pythonimporttorch.nnas nnclassFNN(nn.Module):def __init__(self,input_size=784, hidden_size=128,num_classes=10):super(FNN,self).__init__()self.fc1 =nn.Linear(input_size,hidden_size)self.relu =nn.ReLU()self.fc2 =nn.Linear(hidden_size, num_classes)defforward(self, x):out =self.fc1(x)out= self.relu(out)out= self.fc2(out)return out```然后，我们使用以下步骤可视化：1.安装库（如果未安装）：```bashpip installtorchviz#并且安装graphviz：https://graphviz.org/download/```2.在代码中生成计算图：```pythonimport torchfrom torchviz importmake_dot#创建模型实例model =FNN()#生成一个随机输入（假设输入是28x28的图像，展平为784）x= torch.randn(1,784)#批量大小为1#前向传播y =model(x)#生成计算图dot= make_dot(y,params=dict(model.named_parameters()))#保存为文件（例如PNG）dot.format ='png'dot.render('fnn_model_structure', view=True)```这样就会生成一个名为`fnn_model_structure.png`的文件，并在默认查看器中打开。注意：如果模型复杂，计算图可能会很大。我们可以通过调整`make_dot`的参数（例如只显示特定层）来简化，但通常默认即可。另外，我们也可以使用`hiddenlayer`库，它提供了更简洁的视图。但这里我们使用`torchviz`，因为它直接由PyTorch官方支持。引用[1]中提到了FNN模型，因此我们假设用户已经有一个类似上述的模型定义。如果用户使用的是Jupyter Notebook，可以直接在notebook中显示图形：```pythonfromIPython.display importImagedot= make_dot(y,params=dict(model.named_parameters()))Image(dot.render('fnn_model_structure', format='png'))```另一种方法是使用`netron`库，它支持交互式查看模型结构。但`netron`需要将模型保存为ONNX格式，然后使用netron的web服务或桌面应用打开。导出为ONNX格式：```python#导出模型torch.onnx.export(model,x,"fnn_model.onnx", input_names=['input'],output_names=['output'])```然后，使用netron打开`fnn_model.onnx`文件（需要先安装netron：`pipinstall netron`，然后运行`importnetron; netron.start('fnn_model.onnx')`）。总结，两种方法：1.使用`torchviz`生成静态计算图（包含运算细节）。2.使用`netron`生成交互式模型结构图（更简洁，分层显示）。根据用户需求选择。这里我们主要展示第一种方法。注意：在可视化之前，确保模型定义正确，并且输入数据的维度匹配。由于引用[3]提到的是二分类任务（Moon数据集），如果用户想可视化该任务的模型，只需将输入大小改为2（因为每个样本2个特征），输出大小改为1（二分类）即可。可视化步骤相同。因此，我们给出一个通用的方法。</think>### 在PyTorch中可视化前馈神经网络(FNN)结构的方法 在PyTorch中可视化前馈神经网络(FNN)的结构，可以使用以下三种主要方法，每种方法都有其特点和适用场景： #### 1. 使用`torchsummary`库（文本结构） ```python from torchsummary import summary # 定义模型（参考引用[1]中的FNN结构） model = FNN(input_size=784, hidden_size=128, num_classes=10) # 示例参数 # 打印模型结构 summary(model, input_size=(1, 784)) # MNIST图像输入尺寸 ``` **输出示例**： ``` ---------------------------------------------------------------- Layer (type) Output Shape Param # ================================================================ Linear-1 [-1, 128] 100,480 ReLU-2 [-1, 128] 0 Linear-3 [-1, 10] 1,290 ================================================================ Total params: 101,770 Trainable params: 101,770 Non-trainable params: 0 ---------------------------------------------------------------- ``` **优点**： - 快速查看各层参数和输出尺寸 - 无需额外安装复杂依赖（仅需`pip install torchsummary`） #### 2. 使用`torchviz`生成计算图（可视化） ```python import torch from torchviz import make_dot # 创建示例输入 x = torch.randn(1, 784) # 批量大小1，输入尺寸784 # 前向传播（参考引用[2]原理） y = model(x) # 前馈计算 # 生成可视化图 dot = make_dot(y, params=dict(model.named_parameters())) dot.render('fnn_architecture', format='png') # 保存为PNG ``` **效果**： - 生成计算图显示数据流动路径 - 清晰展示各层连接关系和参数依赖 - 需要安装`graphviz`（`pip install torchviz graphviz`） #### 3. 使用TensorBoard可视化（交互式） ```python from torch.utils.tensorboard import SummaryWriter # 创建TensorBoard记录器 writer = SummaryWriter() # 添加模型图 dummy_input = torch.rand(1, 784) # 虚拟输入 writer.add_graph(model, dummy_input) writer.close() # 关闭写入器 ``` **使用步骤**： 1. 运行代码生成日志文件 2. 终端执行：`tensorboard --logdir=runs` 3. 浏览器打开`localhost:6006`查看交互式结构图 **优势**： - 交互式探索网络结构 - 支持节点展开/折叠 - 与训练监控无缝集成 #### 4. 使用Netron（独立工具） 1. 导出模型为ONNX格式： ```python torch.onnx.export(model, dummy_input, "fnn_model.onnx", input_names=['input'], output_names=['output']) ``` 2. 打开[Netron官网](https://netron.app/)上传ONNX文件 3. 获得交互式网络结构图 **特点**： - 无需安装本地软件 - 支持层类型和参数检查 - 跨平台使用 ### 选择建议 - **快速调试**：使用`torchsummary` - **发表论文/报告**：使用`torchviz`生成高质量矢量图 - **教学/演示**：使用TensorBoard交互式探索 - **模型分析**：使用Netron检查层细节 > 这些可视化方法帮助理解前馈神经网络中数据从输入层流向输出层的过程（参考引用[2]），以及参数在反向传播中的更新路径[^2]。对于Moon数据集等二分类任务（引用[3]），可视化可验证网络是否匹配输入特征维度[^3]。
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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

打赏作者

papaofdoudou

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
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