TensorSpace.js
开始使用
基本概念
模型预处理
模型
网络层
网络层融合
模型预处理简介
“什么是模型预处理?”、“我们为什么要模型预处理?”、“我们该怎么模型预处理?”本篇模型预处理简介将解答这些问题。
什么是模型预处理?
模型预处理,或者是模型预处理过程一般包含三个步骤
  • filter_center_focus 选择你需要提取层间数据的中间层;
  • filter_center_focus 从中间层提取所需要的数据;
  • filter_center_focus 将原有模型转换为 TensorSpace 所支持的模型格式。
为什么需要模型预处理?
TensorSpace 提供了一个非常灵活的框架,使用类似搭积木的方式设计模型结构
TensorSpace 提供了一个3D可视化交互空间,让模型中层之间的链接,最终输出的形状更加直观,便于展示。但大多数已经训练好的模型多用于推断,只提供一个最终输出。所以我们需要模型预处理,生成一个会生成层间输出(多输出)的模型。
例如,一个 MNIST 手写字符模型,常见的预训练模型( TensorFlow 或 Keras )只有一个最终输出,即经过最后 softmax 层的输出值(10个0-1之间的一个数,表示0-9数字的可能概率),如下图所示
图1 - 传统情形下的单一输出
TensorSpace 十分吸引人的一点在于,通过获取层间输出并渲染到3D实体上,使用者可以同时观察到模型结构和层间输出,信息密度更高,更直观。而且可以呈现出每一层对输入数据的直接处理结果,完美了解如何一步一步得到最终预测结果。
为了达成这个效果,相对于图1,需要对模型进行预处理,使得可以从网上下载得到的预训练模型不仅仅输出最终结果,还会输出层间结果,而本教程就是为了说明如何定位层间节点的位置,如果生成多输出(层间输出)预训练模型,如下图所示
图2 - 拥有中间层输出的 TensorSpace 适配模型
如何预处理?
通过预处理,将传统单一输出的神经网络模型转换为拥有中间层输出的 TensorSpace 适配模型。
基于不同的神经网络构造框架,细分了不同的预处理教程。
filter_center_focus TensorFlow 模型预处理
filter_center_focus Keras 模型预处理
filter_center_focus tf.keras 模型预处理
filter_center_focus TensorFlow.js 模型预处理