使用這些基本 REST API 最佳實踐構建出色的 API
還不光是有個架子，訓練過程也都呈現得明明白白。
比如隨著epoch（迭代次數）的變化，訓練過程中各層出現的實時變化。
為了能更清楚地展示網絡細節，用戶還可以在其中自由地折疊、擴展每個層。
比如將特征圖在線性布局和網格布局之間轉換。
折疊卷積層的特征圖輸出。
對全連接層進行邊綁定（edge bunding）等等。
這樣的可視化圖像，可以通過加載TensorFlow的檢查點來構建。
也可以在Unity編輯器中設計。
在正式上手Unity前，作者先在Houdini軟件中，搭建了一個可視化的3D網絡原型。
也就是說，先給Unity版3D網絡提供一個搭建思路，提前準備好實現展示卷積計算的方法、特征圖的形狀、邊綁定的效果等問題。
它的節點編輯器長這樣：
然后，就可以在Unity上搭建3D神經網絡了。
首先，需要預設好神經網絡的“形狀”。
由于之前并沒有用過Unity，作者先學習了著色器和過程式幾何相關的知識。
這里面，作者發現了一些局限性，他采用的是Unity為著色器開發的語言Shaderlab，這個語言無法使用著色變化，只有對語義進行預定義的變量，才能讓它在頂點、幾何和像素著色器之間傳遞。
而且，它無法任意分配頂點屬性，只有位置、顏色、UV等預定義屬性。（可能這也是3D網絡無法實時改變顏色的原因之一）
在研究了一些實例化（instancing）相關的概念后，作者計劃采用幾何著色器的方法生成神經網絡的連線。其中起點和終點被傳遞到頂點著色器，并直接轉發到幾何著色器。
這些線，最多可以由120個頂點組成，因為Unity允許的幾何著色器能創建的變量的標量浮點數為1024。
設計后的網絡形狀，大致長這樣：
然后，就是從模型的TensorFlow代碼中，生成對應的3D神經網絡圖像。
其中，Tensorflow-native.ckpt格式的文件，需要存儲重構模型圖所需的數據、二進制的權重讀取和激活值，以及特定層的名字。
以Cifar10-greyscale數據集為例，需要編寫一個檢查點（checkpoint）文件，以及設置隨即初始化的權重。
在那之后，需要加載這些檢查點文件、啟動TensorFlow會話，輸入訓練示例，以便查詢每一層的激活函數。
然后編寫一個json文件，存儲每一層的形狀、名稱、權重和激活函數，便于讀取。然后使用權重值，將顏色數據分配給各層的Unity Mesh。
最終搞出來的效果，還是不錯的：
事實上，此前已經有不少學者，進行過神經網絡可視化的研究。
例如，去年5月，一位中國博士就可視化了卷積神經網絡，將每一層的變化都展示得非常清楚，只需要點擊對應的神經元，就能看見它的“操作”。
這是用TensorFlow.js加載的一個10層預訓練模型，相當于在瀏覽器上就能跑CNN模型，也可以實時交互，顯示神經元的變化。
不過，這還是個2D的項目。
目前，也已經有人像上面那個神經網絡模型一樣，做出了3D的可視化神經網絡:
這個項目，同樣用到了邊綁定、光線追蹤等技術，與特征提取、微調和歸一化相結合，將神經網絡可視化。
這項項目希望能借由這些技術，來估計神經網絡中不同部分的重要性。
為此，作者將神經網絡的每一部分都用不同的顏色來表示，根據節點和節點在網絡中的重要性，來預測它們之間的關聯性。
大致的處理過程是這樣的：
文章轉自微信公眾號@算法進階