一种基于可视化的卷积神经网络的方法技术

本发明专利技术涉及图像处理技术领域，且公开了一种基于可视化的卷积神经网络的方法，包括以下步骤：S1、首先通过预处理，将传统单一输出的卷积神经网络模型转换为拥有中间层输出的TensorSpace适配模型；S2、使用TensorSpace来对经过预处理的模型可视化，创建一个层对象堆栈，然后模型中根据设计顺序，插入不同的层对象。该基于可视化的卷积神经网络的方法，通过从理解和学习卷积神经网络的目的出发，设计一个轻量级卷积神经网络仿真实验，同时可视化实验整个过程具有高度的互动性和趣味性，利用训练好的神经网络模型，清楚高效的展示模型预测时从数据预处理到中间层数据渲染的整个过程、卷积神经网络的结构、卷积神经网络中数据流动和关联的过程。和关联的过程。和关联的过程。

【技术实现步骤摘要】
一种基于可视化的卷积神经网络的方法


[0001]本专利技术涉及图像处理
，具体为一种基于可视化的卷积神经网络的方法。

技术介绍

[0002]卷积神经网络(Convolutional Neural Networks,CNN)是一类包含卷积计算且具有深度结构的前馈神经网络(Feedforward Neural Networks)，是深度学习(deep learning)的代表算法之一，卷积神经网络从提出以来受到越来越多研究者的关注，第一个数学模型MP模型的提出对卷积神经网络的发展具有开创意义，为后来的研究工作提供了依据，卷积神经网络由输入层、卷积层、激活函数、池化层和全连接层组成，其局部连接、权值共享及池化操作等特性可以使模型对平移、扭曲、缩放具有一定程度的不变性，并具有强鲁棒性和容错能力，且也易于训练和优化，随着训练数据集数量的显著增长以及芯片处理能力的剧增，卷积神经网络在目标检测和计算机视觉、自然语言处理、语音识别和语义分析等领域成效卓然，随着技术和算力的爆发式增长和残差结构的提出，卷积神经网络的深度可达到上千层，并且还在增长。
[0003]在机器学习可视化上，每个机器学习框架都有自己的御用工具，TensorBoard之于Tensorflow，Visdom之于PyTorch，MXBoard之于MXNet。这些工具的Slogan不约而同地选择了VisualizationLearning(TensorBoard的Slogan)，也就是面向专业机器学习开发者，针对训练过程，调参等设计的专业向可视化工具。但面向一般的计算机工程师和非技术类人才(市场、营销、产品等)，一片空白，没有一个优秀的工具来帮助他们理解机器学习模型到底做了什么，能解决一个什么问题，故而提出一种基于可视化的卷积神经网络的方法来解决上述所提出的问题。

技术实现思路

[0004](一)解决的技术问题
[0005]本专利技术的目的是为了解决在机器学习可视化上，每个机器学习框架都有自己的御用工具，TensorBoard之于Tensorflow，Visdom之于PyTorch，MXBoard之于MXNet。这些工具的Slogan不约而同地选择了VisualizationLearning(TensorBoard的Slogan)，也就是面向专业机器学习开发者，针对训练过程，调参等设计的专业向可视化工具。但面向一般的计算机工程师和非技术类人才(市场、营销、产品等)，一片空白，没有一个优秀的工具来帮助他们理解机器学习模型到底做了什么，能解决一个什么问题的问题，而提出的一种基于可视化的卷积神经网络的方法。
[0006](二)技术方案
[0007]本专利技术解决上述技术问题的技术方案如下：
[0008]一种基于可视化的卷积神经网络的方法，包括以下步骤：
[0009]S1、首先通过预处理，将传统单一输出的卷积神经网络模型转换为拥有中间层输出的TensorSpace适配模型；
[0010]S2、使用TensorSpace来对经过预处理的模型可视化，创建一个层对象堆栈，然后模型中根据设计顺序，插入不同的层对象；
[0011]S3、在完成模型结构的创建之后，load来载入对应的神经网络模型，然后使用init来创建所有的层对象，predict方法将接管所有层对象关于数据预测的处理；
[0012]S4、当神经网络模型进行预测计算时：所有中间层的输出数据将在其对应的TensorSpace层进行渲染，不同层之间的关系将由关系连线所连接；
[0013]S5、特征图上的信息将由文本组件展示，所有的可视化组件与神经网络模型都通过“模型”进行连结。
[0014]在上述技术方案的基础上，本专利技术还可以做如下改进。
[0015]优选地，所述在步骤S1中TensorSpace适配模型展示卷积神经网络模型中间层预测数据、直观演示模型推测过程，方便查看数据。
[0016]优选地，所述在步骤S2中TensorSpace模型结构有两种方式：顺序式模型和函数式模型，以顺序式模型为例，通过Sequential创建一个层对象堆栈。
[0017]优选地，所述在步骤S3中自定义卷积神经网络层，并设置卷积神经网络特征抽取函数参数，生成卷积神经网络特征抽取程序。
[0018]优选地，所述通过自定义参数生成卷积神经网络的层，所述参数包括图片大小、剪切大小、均值文件、图像文件列表和图像位置，根据图像文件列表计算网络迭代次数写入shell文件作为特征抽取函数的参数，生成卷积神经网络特征抽取程序，同时指定需要抽取的层。
[0019](三)有益效果
[0020]与现有技术相比，本申请的技术方案具有以下有益技术效果：
[0021]本专利技术通过从理解和学习卷积神经网络的目的出发，设计一个轻量级卷积神经网络仿真实验，同时可视化实验整个过程具有高度的互动性和趣味性，利用训练好的神经网络模型，清楚高效的展示模型预测时从数据预处理到中间层数据渲染的整个过程、卷积神经网络的结构、卷积神经网络中数据流动和关联的过程。
附图说明
[0022]图1为一种基于可视化的卷积神经网络的方法流程示意图。
具体实施方式
[0023]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0024]实施例中，由图1给出，一种基于可视化的卷积神经网络的方法，首先通过预处理，将传统单一输出的卷积神经网络模型转换为拥有中间层输出的TensorSpace适配模型，卷积神经网络包含若干个由卷积层和子采样层(池化层)构成的特征抽取器，在一些复杂图像中第一层卷积层可能只能提取一些低级的特征如边缘、线条和角等，更高层的网络能从低级特征中迭代提取更复杂的特征，TensorSpace适配模型展示卷积神经网络模型中间层预
测数据、直观演示模型推测过程，方便查看数据，使用TensorSpace来对经过预处理的模型可视化，创建一个层对象堆栈，然后模型中根据设计顺序，插入不同的层对象，TensorSpace模型结构有两种方式：顺序式模型和函数式模型，以顺序式模型为例，通过Sequential创建一个层对象堆栈，自定义卷积神经网络层，并设置卷积神经网络特征抽取函数参数，生成卷积神经网络特征抽取程序，通过自定义参数生成卷积神经网络的层，所述参数包括图片大小、剪切大小、均值文件、图像文件列表和图像位置，根据图像文件列表计算网络迭代次数写入shell文件作为特征抽取函数的参数，生成卷积神经网络特征抽取程序，同时指定需要抽取的层，在完成模型结构的创建之后，load来载入对应的神经网络模型，然后使用init来创建所有的层对象，predict方法将接管所有层对象关于数据预测的处理，当神经网络模型进行预测计算时：所有中间层的输出数据将在其对应的T本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于可视化的卷积神经网络的方法，其特征在于，包括以下步骤：S1、首先通过预处理，将传统单一输出的卷积神经网络模型转换为拥有中间层输出的TensorSpace适配模型；S2、使用TensorSpace来对经过预处理的模型可视化，创建一个层对象堆栈，然后模型中根据设计顺序，插入不同的层对象；S3、在完成模型结构的创建之后，load来载入对应的神经网络模型，然后使用init来创建所有的层对象，predict方法将接管所有层对象关于数据预测的处理；S4、当神经网络模型进行预测计算时：所有中间层的输出数据将在其对应的TensorSpace层进行渲染，不同层之间的关系将由关系连线所连接；S5、特征图上的信息将由文本组件展示，所有的可视化组件与神经网络模型都通过“模型”进行连结。2.根据权利要求1所述的一种基于可视化的卷积神经网络的方法，其特征在于，所述在步骤S1中TensorSpac...

【专利技术属性】
技术研发人员：许崇海，李鲁群，陶霜霜，张慎文，胡天乐，
申请(专利权)人：上海师范大学，
类型：发明
国别省市：