[发明专利]一种基于可视化的卷积神经网络的方法

说明书

本发明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。

技术领域

本发明涉及图像处理技术领域，具体为一种基于可视化的卷积神经网络的方法。

背景技术

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(deeplearning)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。

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。

发明内容

(一)解决的技术问题

本发明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。

(二)技术方案

本发明解决上述技术问题的技术方案如下：

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；

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；