机器心脏报告

参与：浣熊，鸡蛋酱，张骞

最后，我等待着这个互动学习的产物，并画出了一个清晰的美国有线电视新闻网的工作过程，以帮助孟新轻松开始。

美国有线电视新闻网是什么？卷积神经网络。

这个普通但有些深奥的词只能理解，不能用语言来解释。如果你打开课本，你会看到这样的解释：

卷积层是深度神经网络处理图像时常用的一层。当深层神经网络以卷积层为主体时，我们也称之为卷积神经网络。

神经网络中的卷积层是通过卷积运算变换原始图像或前一层特征的层。

这很有道理，但是如果把一张图片作为输入，这张图片在卷积神经网络中会经历什么？这真是对想象力的考验。

最近，佐治亚理工学院和俄勒冈州立大学的研究人员考虑到初学者和非专业人员的学习困难，联合开发了一种卷积神经网络交互式可视化工具——美国有线电视新闻网解释器。这个解释器展示了一个10层的神经网络，包括卷积层、激活函数、汇集层和其他CNN初学者无论如何也不能理解的概念。

这个工具在美国有线电视新闻网上的表现如何？简而言之，项目作者已经为你准备了一个交互界面，在你眼前有各种层次和激活功能。你需要做的就是打开浏览器加载界面，移动鼠标点击。

美国有线电视新闻网解释器使用张量流来加载可视化的预训练模型，而Svelte用作交互的框架，D3.js用于可视化。最终产品对根本不懂的初学者来说没有门槛。让我们来看看具体的效果。

卷积层

因为它是一个卷积网络，让我们先看看卷积层是如何工作的。卷积层包含学习的卷积核，它可以提取每个图像的独特特征，因此是有线电视新闻网的基础。

当您与卷积层交互时，在前一层和卷积层之间会出现许多行，每一行代表一个唯一的卷积核。这些卷积核用于卷积运算，以生成当前卷积神经元的输出或激活图。

以交互图中的小VGG建筑为例。可以看出，其第一卷积层有10个神经元，但前一层只有3个神经元。关注第一个卷积层顶部的卷积神经元的输出，如果我们将鼠标悬停在激活图上，我们可以看到有3个唯一的卷积核。

图1:如果您将鼠标悬停在第一个卷积层前面的激活图上，您可以看到这里应用了3个卷积核来获得这个激活图。点击这个激活图可以看到每个卷积内核都被卷积了。

图2:用于在激活图顶部生成中间结果的卷积核。

激活功能

ReLU

ReLu是有线电视新闻网中一个非常常见的非线性激活函数，它可以加速有线电视新闻网的训练。这是一个一对一的数学运算：

单击交互图中的ReLU神经元，观察该激活功能如何工作：

Softmax

在卷积神经网络中，通常使用Softmax函数对模型输出进行分类。在这个美国有线电视新闻网解释器中，点击最后一层显示网络中的软件最大操作过程：

在Softmax视图的这一部分中，用户可以体验不同颜色的logit和公式交互，从而理解如何对预测分数进行归一化，以在平面化层之后生成分类结果。

泳池层

不同的有线电视网络架构有许多不同类型的汇聚层，但它们的目标是逐渐缩小网络的空间范围，从而减少网络参数和整体计算量。

在这个交互图中使用的池类型是最大池，这个过程可以通过点击图中的池神经元来观察：

展平层

该层将网络中的三维层转换为一维向量，然后输入到完整的连接层进行分类。因为用于分类的softmax函数需要一维向量作为输入(此处不包括批处理维度)，所以需要平面化层。

单击任何输出类别，查看该层如何工作。

作者简介

这个深思熟虑的项目是由佐治亚理工学院和俄勒冈州立大学的研究人员发起的。其中之一是王子杰，该校机器学习的博士生。他的研究兴趣是机器学习的可解释性、公平性、安全性和可视化分析。

目前，该项目已被列入GitHub热点名单。感兴趣的学生可以点击文章末尾的链接了解更多信息。

项目地址：https://github.com/poloclub/cnn-explainer

地址：https://poloclub.github.io/cnn-explainer/

地址：https://arxiv.org/abs/2004.15004