该列表实时更新,欢迎投稿。
1 卷积
1.1 卷积可视化展示
Convolution Visualizer
根据输入的各种参数,输入大小、核大小、步长、补零长度、空洞等参数实时演示卷积运行情况。
太遗憾了,不支持gif
1.2 卷积效果
Spatial convolution
展示了基本的卷积情况。
1.3 立体卷积演示
2DConv on RGB image
例题卷积
这个案例的特别之处在于页面内支持旋转、缩放等操作。
2 GAN网络
2.1 实时生成人脸
这些脸虚拟的,是现实世界中所不存在的,实时模拟产生的。
This Person Does Not Exist
2.2 GAN游乐场
Play with Generative Adversarial Networks in Your Browser!
2.3 简笔画到实物
画个简笔画,给出对应的实物画。
Image-to-Image Demo - Affine Layer
3 神经网络
3.1 神经网络游乐场
尽情的玩耍吧!
4 卷积神经网络可视化
4.1 斯坦福版本
有CIFAR-10数据源的:
ConvNetJS CIFAR-10 demo (stanford.edu)
展示卷积神经网络每一层发生了什么(略去了中间许多显示,请访问上述链接观看更细致展示)。
也有MNIST数据源。
ConvNetJS MNIST demo
卷积什么网络操作MNIST,实时看看各层发生了什么。
4.2 Keras
Run Keras models in the browser
支持多种常见网络的可视化展示。
例如,我输入一个数字5,可以看到各个层(卷积层、激活层、池化层、全连接层)都得到了什么结果,非常形象,适合初学者理解卷积神经网络到底发生了什么。
当然,它的可视化还有很多。例如观察GAN:
在图中单击“生成新的噪声”(Generate New Noise)即可将噪声映射为一个数字。
4.3 CNN解释器
这个是top级别的!!!!!
CNN Explainer
乍看起来,好像没有什么特别之处。
不就是解释吗?前面的不是都挺好的吗?
关键在于,这个解释器是可以交互的!单击其中的任何一个单元,都是可以进行更细粒度的观察的。例如:
我认为是这个解释器是除了唐僧以外,把“我是谁,我从哪里来,我要到哪里去”这个三个哲学问题解释得最明白的了!
这是一个,其余的工具都不看,也要看看的交互工具。
4.4 Jason Yosinski工具
这个视频在Youtube上,不过应该已经搬到了B站,大家可以找一下。
Jason Yosinski
4.5 LeNet的MNIST可视化
https://cs.ryerson.ca/~aharley/vis/
更直观地感受每一层里面到底都是什么。
4.6 多个网络的过程可视化
TensorSpace Playground
该网站提供了多个不同的网络的不同形式可视化。
下图中,数字3是我写的,左侧是其网络内部可视化结果。
注意,左侧网络是可以通过不同形式拖拽进行旋转以观察不同视角的。
看看旋转视角。
提供了多种不同的网络形式:
看下AlexNet训练图像的。
GitHub - tensorspace-team/tensorspace: Neural network 3D visualization framework, build interactive and intuitive model in browsers, support pre-trained deep learning models from TensorFlow, Keras, TensorFlow.js
4.7 多种可视化
An Interactive Node-Link Visualization of Convolutional Neural Networks
各种各样的可视化,看看主要内容:3D的2D的,全连接的,卷积的。随便选一个看看吧!
下面的这个3D的卷积网络,拖动鼠标可以调整视角、缩放。
对应参考文献:
https://adamharley.com/nn_vis/harley_vis_isvc15.pdf
5绘图工具
5.1 卷积网络绘图工具
https://cbovar.github.io/ConvNetDraw/
有了这个,妈妈再也不用担心我的绘图啦!
小学生都可以在这上面绘图啦!
5.2 根据结构绘图
Netscope
在左边写上网络结构,右边会自动显示网络结构图。
编辑切换为居中
示意图
5.3 网络结构
Netscope CNN Analyzer
这个不需要绘制,它有预置模型,直接选择进去就看到了。
在想查看细节的节点停留鼠标,可以查看细节。
下来,也可以看文字版网络结构,及更详细的节点信息。
6 降维
6.1 降维可视化
支持多个模型,多种方式降维。
Embedding projector - visualization of high-dimensional data
我们以MNIST的T-SNE降维为例,训练600轮时,可以看到降维效果很不错,将28*28共784个维度的信息降为了二维(x,y)。根据需要可以继续训练,也可以选择二维、三维不同的维度。
会显示学习过程,过程如下图:
6.2 斯坦福版本
t-SNE visualization of CNN codes
图像使用t-SNE降维代码。
6.3 MNIST降维
Visualizing MNIST: An Exploration of Dimensionality Reduction
上面有按步骤的GIF动画演示。
7源代码
7.1 卷积核可视化
Convolution filter visualization - Keras 中文文档
8 风格迁移
8.1 一笔一笔画出来
GitHub - jiupinjia/stylized-neural-painting: Official Pytorch implementation of the preprint paper "Stylized Neural Painting", in CVPR 2021.
这个项目的特色在于一笔一笔画出来。
9 工具库
9.1 可视化工具
GitHub - raghakot/keras-vis: Neural network visualization toolkit for keras
10其他可视化工具
10.1 梯度可视化
梯度与最优化
10.2 cs231n提供的可视化
Index of /teaching/cs231n-demos
该课程提供了2个可视化工具:
分别是是knn和线性分类器。
11 数据集
11.1 kaggle
Search | Kaggle
支持搜索,如果我想找猫:
12 网络结构等
12.1 神经网络动物园
The Neural Network Zoo - The Asimov Institute
100 导航页
100.1 导航页面
Visualizing and Interpreting Convolutional Neural Network
里面提供了可供参考的论文、在线可视化项目等等。