Towards Better Analysis of Deep Convolutional Neural Networks

内容简介：Towards Better Analysis of Deep Convolutional Neural Networks

首先介绍一下CNN（卷积神经网络）。CNN是一种特殊的神经网络，一个标准的CNN由一系列的层组成，包括卷积层，pooling层，全连接层等。

深度卷积神经网络已经在很多领域都有了突破性的表现。然而高质量深度模型的开发伴随着大量的尝试和错误，也并不能清楚的理解深度模型工作的原理。因为它难以理解的函数和并不清晰的工作机制，深度卷积神经网络一直被视作是黑盒模型。

为了更有效的展示一个大的CNN，首先把相邻的层聚合起来

接下来把内层作用相似的点聚合起来。假定有相似激活的点有相似的作用。

两种聚类方法：K-Means和MeanShift

对神经元聚类的可视化效果如下。其中应用了自定义的一种矩阵包装算法和矩阵列重 排序 算法。神经元之间的联系经过双向边聚类变成了类之间带有权重的边，并进行了绑定。

案例分析，选取了两个经典案例。案例一经过对一系列深度广度各不相同的卷积神经网络的可视化，对卷积神经网络的结构的影响进行了研究。

案例二，对一个失败的收敛过程进行了分析。从可视化系统中发现问题，层层排查最终确定问题，修改网络，实现收敛，得到了不错的结果。

作者的两个心得：在专家们使用到原型之前，有时他们也并不清楚他们具体想要的是什么效果；使用专家感兴趣的数据对于深入研究是至关重要的。

局限性：首先，CNNVis并不能可视化那些不能转换为有向无环图形式的深度模型；其次，激活矩阵的可扩展性有限；第三，这个系统有一个学习曲线，需要专家花一到两小时来彻底熟悉它的可视化编码和交互

本文的创新性在于以可视化方法帮助理解分析深度模型，对于专业人员是很好的辅助工具，有很好的参考价值。

以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持 码农网

查看所有标签

猜你喜欢:

• Towards Better Analysis of Deep Convolutional Neural Networks

本站部分资源来源于网络，本站转载出于传递更多信息之目的，版权归原作者或者来源机构所有，如转载稿涉及版权问题，请联系我们。