Python · cv2(一)· 神經網路的可視化

========== 寫在前面的話 ==========

本章我嘗試了一種新的敘述方式:把細節都放在了這個 repo 中,這意味著我不會在這裡給出具體的代碼;同時我設計了一些練習並提供了參考答案(有點像 cs231n 的 assignment 那種形式),所以如果觀眾老爺們想了解實現細節的話、是需要下載(或者 fork)這個 repo 並使用某個 IDE(比如 PyCharm)來進行相關實驗的……

如果覺得這些都無所謂並願意看的話,我會覺得很開心的 _(:з」∠)_

另外如果覺得這個形式不好或者沒有必要的話也請盡情指出,畢竟這種形式對我而言其實超累的,要進行各種抽象 _(:з」∠)_

========== 分割線的說 ==========

正如上一章所說,這一部分我是受了 Tensorflow Playground 的啟發後做出來的。它可能稱不上很實用,但個人認為它能幫助我們理解神經網路(NN)並讓我們熟悉 cv2 的基本操作

本章會使用我個人用 Numpy 寫的 NN 框架進行實驗,但即使對其完全不了解也不會對食用本文造成困難;不過如果有觀眾老爺確實想了解的話,可以參見這裡 ( σω)σ

先展示一下結果(動圖可以猛戳這裡觀看):

然後理一下我們要做的事:

  • 該可視化是針對二維數據進行的,但類別數可以任意多
  • 把每一層每個神經元在二維平面上的激活情況展示出來;具體而言,應該將小於激活均值的部分用藍色填充、其餘部分用橙色填充
  • 把神經元之間的邊按照如下規則畫出:
    • 取出層與層之間權值矩陣w^{(i)}中絕對值最大的元素m
    • w^{(i)}中絕對值小於0.2m的元素所對應的邊隱藏,這主要是為了防止圖顯得太亂(0.2 是我隨意取的一個閾值,完全可以按需求把它換成其它數)
    • 若一條邊對應的權值絕對值越大、則該邊應該越粗
    • 若一條邊對應的權值為負、則該邊應為藍色,否則應為橙色
  • 支持將動畫保存下來(需要 imageio 庫來導出 mp4、需要 FFmpeg 來轉成 gif)

看上去似乎很複雜的樣子,但又正如上一章所說,我們只需要四個最基本的元素:字、線、圓、方就行,所以真的實現起來就會發現並不困難。為了讓觀眾老爺們更有實感,我努力做了一些抽象並設計了一些練習,觀眾老爺可以嘗試把相應部分進行實現並在自己的電腦上跑跑效果。repo(可能會持續更新)可以在這裡下載(或者 fork)到,下面就說下怎麼利用這個 repo

在這個 repo 的 NN/Practices/NNVis.py 中有本章所有需要補完的代碼,參考答案則都可以在 NN/Answers/NNVis.py 中找到,測試則可以在 NN/Tests/NNVis.py 中進行;為了更有條理,我把任務分成了四份:

  • 獲取每條線的顏色(對應於 get_colors 函數)
  • 獲取每條線的粗細(對應於 get_line_info 函數)
  • 畫出整張 NN 的可視化圖(對應於 draw_detail_network 函數),這部分的任務又分為了三份:畫個圈、寫個字、連條線(……)

  • 把 cv2 默認的 BGR 圖像轉換成 imageio 需要的 RGB 圖像(對應於 bgr2rgb 函數)

其中第三點的實現有些繞,這裡稍微說明一下。首先要明確 draw_detail_network 函數接收的主要參數是什麼:

  • 原始二維數據集的最小、最大值(它們能幫助我們定出可視化的範圍)
  • NN 中的各個 Layer(它們能通過 shape 屬性告訴我們每一層的神經元個數)
  • NN 中的各個權值矩陣(線的顏色、粗細都是根據權值來定出的)
  • 獲取各層激活值的方法(從而能獲得各個神經元的激活情況)

有了這些之後,我們只需:

  • 根據激活值獲取 Neuron graphs,所謂 Neuron graph 就是上圖中那一個個小正方形,Neuron graphs 就是裝這些小正方形的數組
  • 根據 Neuron graphs 渲染 Canvas、亦即就是把每個 Neuron graph 放到 Canvas 上合適的地方

  • 在把 Neuron graph(那些小正方形)畫好之後,只需再進行如下三步即可完成可視化:
    • 把最上面代表輸入的兩個圈畫出來
    • 把每個 Layer 的名字放在左邊
    • 用合適的線把 Neuron graph 連起來

整個流程不難但繁,詳情可參見 repo

希望觀眾老爺們能夠喜歡~


推薦閱讀:

Python數據分析之簡書七日熱門數據分析
Matplotlib 蠟燭圖教程
WebGL Earth颱風監測web應用
有誰可以說說「燈光遙感」?

TAG:Python | 神经网络 | 可视化 |