前面几篇文章讲到了卷积神经网络CNN，但是对于它在每一层提取到的特征以及训练的过程可能还是不太明白，所以这节主要通过模型的可视化来神经网络在每一层中是如何训练的。我们知道，神经网络本身包含了一系列特征提取器，理想的feature map应该是稀疏的以及包含典型的局部信息。通过模型可视化能有一些 ...

CNN可视化技术总结(一)-特征图可视化 CNN可视化技术总结（二）--卷积核可视化 导言： 前面我们介绍了两种可视化方法，特征图可视化和卷积核可视化，这两种方法在论文中都比较常见，这两种更多的是用于分析模型在某一层学习到的东西。在理解这两种可视化方法，很容易理解 ...

图像语义分割预测标签可视化 前言 ​ 图像语义分割任务中，网络输出后经过概率化处理(sigmoid/softmax)和取索引(torch.argmax)后可以得到一个标签数组，标签的值为0/1/2/3...一个值代表一个类别。 ​ 这里记录一下输出结果的可视化方法。 方法 标签 ...

CNN可视化技术总结(一)-特征图可视化 CNN可视化技术总结（三）--类可视化 导言： 上篇文章我们介绍了特征图可视化方法，对于特征图可视化的方法（或者说原理）比较容易理解，即把feature map从特征空间通过反卷积网络映射回像素空间。 那卷积核怎样可视化 ...

导言： 在CV很多方向所谓改进模型，改进网络，都是在按照人的主观思想在改进，常常在说CNN的本质是提取特征，但并不知道它提取了什么特征，哪些区域对于识别真正起作用，也不知道网络是根据什么得出了分类结果。 如在上次解读的一篇论文《Feature Pyramid ...

前言 在训练深度学习模型时，常想一窥网络结构中的attention层权重分布，观察序列输入的哪些词或者词组合是网络比较care的。在小论文中主要研究了关于词性POS对输入序列的注意力机制。同时对比实验采取的是words的self-attention机制。 效果 下图主要包含两列 ...

　　上篇文章我们讲了如何对模型进行可视化，用的keras手动绘图输出CNN训练的中途结果，本篇文章将讲述如何用PaddlePaddle新开源的VisualDL来进行可视化。在讲VisualDL之前，我们先了解一下常用的Tensorflow的可视化工具---Tensorboard ...

CNN可视化技术总结(一)-特征图可视化 CNN可视化技术总结（二）--卷积核可视化 CNN可视化技术总结（三）--类可视化 导言： 前面介绍了可视化的三种方法--特征图可视化，卷积核可视化，类可视化，这三种方法在很多提出新模型或新方法的论文中很常见，其主要作用是提高模型或者新方法 ...