前面幾篇文章講到了卷積神經網絡CNN，但是對於它在每一層提取到的特征以及訓練的過程可能還是不太明白，所以這節主要通過模型的可視化來神經網絡在每一層中是如何訓練的。我們知道，神經網絡本身包含了一系列特征提取器，理想的feature map應該是稀疏的以及包含典型的局部信息。通過模型可視化能有一些 ...

CNN可視化技術總結(一)-特征圖可視化 CNN可視化技術總結（二）--卷積核可視化 導言： 前面我們介紹了兩種可視化方法，特征圖可視化和卷積核可視化，這兩種方法在論文中都比較常見，這兩種更多的是用於分析模型在某一層學習到的東西。在理解這兩種可視化方法，很容易理解 ...

圖像語義分割預測標簽可視化 前言 ​ 圖像語義分割任務中，網絡輸出后經過概率化處理(sigmoid/softmax)和取索引(torch.argmax)后可以得到一個標簽數組，標簽的值為0/1/2/3...一個值代表一個類別。 ​ 這里記錄一下輸出結果的可視化方法。 方法 標簽 ...

CNN可視化技術總結(一)-特征圖可視化 CNN可視化技術總結（三）--類可視化 導言： 上篇文章我們介紹了特征圖可視化方法，對於特征圖可視化的方法（或者說原理）比較容易理解，即把feature map從特征空間通過反卷積網絡映射回像素空間。 那卷積核怎樣可視化 ...

導言： 在CV很多方向所謂改進模型，改進網絡，都是在按照人的主觀思想在改進，常常在說CNN的本質是提取特征，但並不知道它提取了什么特征，哪些區域對於識別真正起作用，也不知道網絡是根據什么得出了分類結果。 如在上次解讀的一篇論文《Feature Pyramid ...

前言 在訓練深度學習模型時，常想一窺網絡結構中的attention層權重分布，觀察序列輸入的哪些詞或者詞組合是網絡比較care的。在小論文中主要研究了關於詞性POS對輸入序列的注意力機制。同時對比實驗采取的是words的self-attention機制。 效果 下圖主要包含兩列 ...

　　上篇文章我們講了如何對模型進行可視化，用的keras手動繪圖輸出CNN訓練的中途結果，本篇文章將講述如何用PaddlePaddle新開源的VisualDL來進行可視化。在講VisualDL之前，我們先了解一下常用的Tensorflow的可視化工具---Tensorboard ...

CNN可視化技術總結(一)-特征圖可視化 CNN可視化技術總結（二）--卷積核可視化 CNN可視化技術總結（三）--類可視化 導言： 前面介紹了可視化的三種方法--特征圖可視化，卷積核可視化，類可視化，這三種方法在很多提出新模型或新方法的論文中很常見，其主要作用是提高模型或者新方法 ...