今天要為大家推薦一套超酷炫的，用于構建神經(jīng)網(wǎng)絡 3D 可視化應用的框架——TensorSpace。

有什么用途？

大家可以使用類 Keras 風格的 TensorSpace API，輕松創(chuàng)建可視化網(wǎng)絡、加載神經(jīng)網(wǎng)絡模型并在瀏覽器中基于已加載的模型進行 3D 可交互呈現(xiàn)。 TensorSpace 可以使您更直觀地觀察神經(jīng)網(wǎng)絡模型，并了解該模型是如何通過中間層 tensor 的運算來得出最終結果的。 TensorSpace 支持 3D 可視化經(jīng)過適當預處理之后的 TensorFlow、Keras、TensorFlow.js 模型。

圖1：使用TensorSpace 創(chuàng)建交互式 LeNet 模型

▌TensorSpace 使用場景

TensorSpace 基于 TensorFlow.js、Three.js 和 Tween.js 開發(fā)，用于對神經(jīng)網(wǎng)絡進行3D可視化呈現(xiàn)。通過使用 TensorSpace，不僅僅能展示神經(jīng)網(wǎng)絡的結構，還可以呈現(xiàn)網(wǎng)絡的內(nèi)部特征提取、中間層的數(shù)據(jù)交互以及最終的結果預測等一系列過程。

通過使用 TensorSpace，可以幫助您更直觀地觀察并理解基于 TensorFlow、Keras 或者 TensorFlow.js 開發(fā)的神經(jīng)網(wǎng)絡模型。 TensorSpace 降低了前端開發(fā)者進行深度學習相關應用開發(fā)的門檻。 我們期待看到更多基于 TensorSpace 開發(fā)的3D可視化應用。

交互：使用類 Keras 的API，在瀏覽器中構建可交互的 3D 可視化模型。

直觀：觀察并展示模型中間層預測數(shù)據(jù)，直觀演示模型推測過程。

集成：支持使用 TensorFlow、Keras 以及 TensorFlow.js 訓練的模型。

▌使用方法

安裝

第一步: 下載 TensorSpace.js

我們提供了三種下載 TensorSpace.js 的方法，它們分別是 npm、yarn 以及 來自官方網(wǎng)站。

途徑 1: NPM

途徑 2: Yarn

途徑 3:官方網(wǎng)站下載

https://tensorspace.org/index_zh.html#download

第二步: 安裝依賴庫

請在使用 TensorSapce.js 之前，引入TensorFlow.js、Three.js、Tween.js和TrackballControl.js至所需要的 html 文件中，并置于 TensorSpace.js 的引用之前。

第三步: 安裝 TensorSpace.js

將 TensorSpace.js 引入 html 文件中：

▌模型預處理

為了獲得神經(jīng)網(wǎng)絡中間層的運算結果，我們需要對已有的模型進行模型預處理?；诓煌?a target="_blank">機器學習庫，我們提供了TensorFlow 模型預處理教程、Keras 模型預處理教程以及TensorFlow.js 模型預處理教程。

▌使用

在成功安裝完成 TensorSpace 并完成神經(jīng)網(wǎng)絡模型預處理之后，我們可以來創(chuàng)建一個 3D TensorSpace 模型。

為了簡化步驟，請隨意使用我們在HelloWorld路徑下所提供的資源。我們將會用到適配 TensorSpace 的預處理模型以及樣例輸入數(shù)據(jù)（“5”）作為使用樣例來進行說明。所有的源碼都可以在helloworld.html文件中找到。

首先，我們需要新建一個 TensorSpace 模型實例：

然后，基于 LeNet 網(wǎng)絡的結構：輸入層 + 2 X (Conv2D層 & Maxpooling層) + 3 X (Dense層)，我們可以搭建其模型結構：

最后，我們需要載入經(jīng)過預處理的 TensorSpace 適配模型并使用init()方法來創(chuàng)建模型對象：

我們可以在瀏覽器中看到以下模型：

圖2- 所創(chuàng)建的 LeNet 模型 (無輸入數(shù)據(jù)）

我們可以使用我們已經(jīng)提取好的手寫“5”作為模型的輸入：

我們在這里將預測方法放入init()的回調(diào)函數(shù)中以確保預測在初始化完成之后進行(在線演示)。

在線演示地址：

https://tensorspace.org/html/helloworld.html

可以在下面的地址的 CodePen 中試一下這個例子。

https://codepen.io/syt123450/pen/YRwZGg

圖3：LeNet 模型判別輸入“5”

▌樣例展示

LeNet

AlexNet

Yolov2-tiny

ResNet-5

Vgg16

ACGAN

MobileNetv1