神器来啦！一键可视化，终于能看懂神经网络到底在干啥了
来源：量子位
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：
△图注：卷积层的特征图（左）和特征图的3D可视化（右）
目前Zetane Engine不同系统的版本都可以在GitHub中找到（安装包见文末链接），话不多说，来看看Zetane Engine具体的用法吧~
可视化AI工作流程
首先，我们需要上传一个模型，例如一个识别手写数字的神经网络，输入的图片是一个手写的“2”：
上传之后，Zetane Engine就绘制出了一条“流水线”，每一层神经网络就像一个个工作间：
从输入到卷积，再到连接、激活、池化：
这些个小工作间的进展也是透明的，不信我们聚焦到一个卷积层工作间，点这个图片形状的按钮：
然后这个卷积层的所有特征图都会在上面显示出来，卷积数值的不同体现为颜色的不同，蓝紫色代表数值较小，红黄色代表数值较大：
只有这些还不够，高能现在才刚开始，注意图片按钮右边九个点形状的按钮了吗？
点击它，Zetane Engine会在界面右边展示出一个工具栏，把刚才显示在卷积层上面的图片呈现出各种各样的形式~
其中有排列成三维立体的、标注卷积结果数值的，以及纯数值的应有尽有：
| 二维视角 |  |
| 三维视角 |  |
| 标注卷积结果的平面图 |  |
| 纯卷积结果的数值平面图 |  |
这样的“工作报告”，谁看了不喜欢？不仅能够可视化地看到卷积过程，还可以调出每一个像素点上的卷积结果。
这还没完，这种多角度的图像处理在连接层、激活层、池化层等工作间也同样适用：
△图注：激活层特征图
△图注：池化层特征图
一整个看下来，神经网络的工作流程都清清楚楚：
到了最后的全连接输出层，模型会输出一个十列的一维向量（下图右边），用来判断手写数字是0-9的哪一个。
在这个例子中，模型给出了可能性最高的就是数字2。
怎么样？有了这样可视化的工具，是不是感觉AI模型不再是一个黑箱了？
Zetane Engine用法速览
Zetane Engine不同系统的版本（Windows、Linux、Mac）都可以在GitHub中找到。
这里我们简单介绍一下Zetane Engine的界面和启动台，方便大家快速熟悉。
打开之后界面是比较简洁的，只有左上角和右上角有一些按钮。我们先看左上角。
上传模型的按钮在启动台左上角Z字标志这里，Zetane Engine支持ONNX、Keras（.h5)以及ZTN三种模型文件。
Z字按钮旁边两个按钮依次是启动模型和清除模型：
如果手头上还没有模型也没关系，点击界面右上角的Z形图标可以到Zetane Engine的模型库中下载模型：
△图注：Zetane Engine的模型库
另外在启动台SNAPSHOTS按钮这里也有一些经典模型可以选择：
感兴趣的同学可以从文末链接中找到Zetane Engine的下载包，来试试吧~
参考链接：
[1]https://github.com/Zetane/viewer
[2]https://www.youtube.com/watch?v=J3Zd5GR_lQs
推荐阅读
【重磅】斯坦福李飞飞《注意力与Transformer》总结，84页ppt开放下载！
苏黎世联邦理工学院SML课题组招收统计机器学习全奖博士生
读博五年，我总结出了7条帮你「少走弯路」的真理
仅需12层网络，在ImageNet上准确率达到80.7%！普林斯顿大学最新提出ParNet！
MobileViT: 一种更小，更快，高精度的轻量级Transformer端侧网络架构（附代码实现）
【移动端最强架构】LCNet吊打现有主流轻量型网络（附代码实现）
基于Attention机制的轻量级网络架构以及代码实现
深度学习中的轻量级网络架构总结与代码实现
一文详解Inception家族的前世今生（从InceptionV1-V4、Xception）附全部代码实现
华为2012实验室诺亚方舟实验室招聘视觉感知算法实习生
欢迎大家加入DLer-计算机视觉&Transformer群！
大家好，这是计算机视觉&Transformer论文分享群里，群里会第一时间发布最新的Transformer前沿论文解读及交流分享会，主要设计方向有：图像分类、Transformer、目标检测、目标跟踪、点云与语义分割、GAN、超分辨率、视频超分、人脸检测与识别、动作行为与时空运动、模型压缩和量化剪枝、迁移学习、人体姿态估计等内容。
进群请备注：研究方向+学校/公司+昵称（如Transformer+上交+小明）
长按识别，邀请您进群！