0
雷鋒網(wǎng)按：原文作者zhwhong，載于作者的個人博客，雷鋒網(wǎng)經(jīng)授權發(fā)布。
TensorBoard:TensorFlow集成可視化工具
GitHub官方項目：https://github.com/tensorflow/tensorflow/tree/master/tensorflow/tensorboard
TensorBoard 涉及到的運算，通常是在訓練龐大的深度神經(jīng)網(wǎng)絡中出現(xiàn)的復雜而又難以理解的運算。
為了更方便 TensorFlow 程序的理解、調(diào)試與優(yōu)化，Google發(fā)布了一套叫做 TensorBoard 的可視化工具。你可以用 TensorBoard 來展現(xiàn)你的 TensorFlow 圖像，繪制圖像生成的定量指標圖以及附加數(shù)據(jù)。
當 TensorBoard 設置完成后，它應該是這樣子的：
輸入下面的指令來啟動tensorboard：
| tensorboard --logdir=/path/to/log-directory |
這里的參數(shù) logdir 指向 SummaryWriter 序列化數(shù)據(jù)的存儲路徑。如果logdir目錄的子目錄中包含另一次運行時的數(shù)據(jù)，那么 TensorBoard 會展示所有運行的數(shù)據(jù)。一旦 TensorBoard 開始運行，你可以通過在瀏覽器中輸入 localhost:6006 來查看 TensorBoard。進入 TensorBoard 的界面時，你會在右上角看到導航選項卡，每一個選項卡將展現(xiàn)一組可視化的序列化數(shù)據(jù)集 。對于你查看的每一個選項卡，如果 TensorBoard 中沒有數(shù)據(jù)與這個選項卡相關的話，則會顯示一條提示信息指示你如何序列化相關數(shù)據(jù)。
TensorFlow 圖表計算強大而又復雜，圖表可視化在理解和調(diào)試時顯得非常有幫助。 下面是一個運作時的可式化例子：
更多詳細內(nèi)容參考：
[TensorFlow中文社區(qū)] TensorBoard:可視化學習
[TensorFlow中文社區(qū)] TensorBoard:圖表可視化
[極客學院] TensorBoard:可視化學習
官網(wǎng)：http://ethereon.github.io/netscope/quickstart.html
GitHub項目：https://github.com/ethereon/netscope
“A web-based tool for visualizing neural network architectures (or technically, any directed acyclic graph). It currently supports Caffe’s prototxt format.”
Netscope是一個支持prototxt格式描述的神經(jīng)網(wǎng)絡結構的在線可視工具。它可以用來可視化Caffe結構里prototxt格式的網(wǎng)絡結構，使用起來也非常簡單，打開這個地址 http://ethereon.github.io/netscope/#/editor，把你的描述神經(jīng)網(wǎng)絡結構的prototxt文件復制到該編輯框里，按shift+enter，就可以直接以圖形方式顯示網(wǎng)絡的結構了。
比如，以 mnist的Lenet 和 imagenet的AlexNet 網(wǎng)絡結構為例，分別把Caffe中 caffe/examples/mnist/lenet_train_test.prototxt 和 caffe/models/bvlc_alexnet/train_val.prototxt 文件的內(nèi)容復制到左側編譯框，按shift+enter,立即就可以得到可視化的結構圖，具體每層的參數(shù)等，如下：
Netscope給出的幾個常見CNN網(wǎng)絡結構示例：
AlexNet | Alex Krizhevsky, Ilya Sutskever, Geoffrey Hinton
CaffeNet | Yangqing Jia, Evan Shelhamer, et. al.
Fully Convolutional Network — Three Stream | Jonathan Long, Evan Shelhamer, Trevor Darrell
GoogleNet | Christian Szegedy, et. al.
Network in Network | Min Lin, Qiang Chen, Shuicheng Yan
VGG 16 Layers | Karen Simonyan, Andrew Zisserman
以上網(wǎng)絡的prototxt源文件見：https://github.com/ethereon/netscope/tree/gh-pages/presets 。
python/draw_net.py，這個文件，就是用來繪制網(wǎng)絡模型的，也就是將網(wǎng)絡模型由prototxt變成一張圖片。
在繪制之前，需要先安裝兩個庫
| $ sudo apt-get install GraphViz |
注意，這里用的是apt-get來安裝，而不是pip。
| $ sudo pip install pydot |
用的是pip來安裝，而不是apt-get。
安裝好了，就可以調(diào)用腳本來繪制圖片了。
draw_net.py執(zhí)行的時候帶三個參數(shù)
第一個參數(shù)：網(wǎng)絡模型的prototxt文件；
第二個參數(shù)：保存的圖片路徑及名字；
第二個參數(shù)：- - rankdir = x，x 有四種選項，分別是LR, RL, TB, BT 。用來表示網(wǎng)絡的方向，分別是從左到右，從右到左，從上到小，從下到上。默認為LR。
例：繪制Lenet模型
| $ sudo python python/draw_net.py examples/mnist/lenet_train_test.prototxt netImage/lenet.png --rankdir=BT |
參考閱讀：
官網(wǎng)：http://playground.tensorflow.org
GitHub項目：https://github.com/tensorflow/playground
Deep playground is an interactive visualization of neural networks, written in typescript using d3.js.
PlayGround是一個圖形化用于教學目的的簡單神經(jīng)網(wǎng)絡在線演示、實驗的平臺，非常強大地可視化了神經(jīng)網(wǎng)絡的訓練過程。
參考閱讀：
官網(wǎng)：http://cs.stanford.edu/people/karpathy/convnetjs/
GitHub項目：https://github.com/karpathy/convnetjs
ConvNetJS is a Javascript library for training Deep Learning models (Neural Networks) entirely in your browser. Open a tab and you’re training. No software requirements, no compilers, no installations, no GPUs, no sweat.
更多內(nèi)容請關注官網(wǎng)和GutHub項目README。
官網(wǎng)：wevi: word embedding visual inspector
GitHub項目：https://github.com/ronxin/wevi
具體參考：wevi: Word Embedding Visual Inspector
文章來源：Towards Better Analysis of Deep Convolutional Neural Networks arxiv.org/abs/1604.07043
具體參見：能幫你更好理解分析深度卷積神經(jīng)網(wǎng)絡，今天要解讀的是一款新型可視化工具——CNNVis，看完就能用！
摘要： 深度卷積神經(jīng)網(wǎng)絡（CNNs）在許多模式識別任務中取得了很大的性能突破， 然而高質量深度模型的發(fā)展依賴于大量的嘗試，這是由于沒有很好的理解深度模型是怎么工作的，在本文中，提出了一個可視化分析系統(tǒng)CNNVis，幫助機器學習專家更好的理解、分析、設計深度卷積神經(jīng)網(wǎng)絡。
雷峰網(wǎng)版權文章，未經(jīng)授權禁止轉載。詳情見轉載須知。
