毕设测试:内容感知核网络的搭建可视化


借助tensorspace与netron实现对神经网络的3D与2D可视化

SKnet网络简介:

SKnet网络主要由 Split、Fuse、Select 三部分组成,在具有不同内核大小的多个内核中,通过三个运算符实现 SK 卷积。Spilt 部分利用多尺度感受野提取特征,Fuse部分将多尺度感受野提取的特征融合,Select 部分通过 softmax 函数计算各感受野及各层的权重,通过训练逼近目标的最佳感受野。最终模型可以让不同大小的目标不再只是通过单一尺度的感受野提取特征,而通过不同大小感受野的自适应加权组合提取特征。

可视化方法介绍:

1)Netron
Netron 是一个神经网络、深度学习和机器学习模型的查看器,支持 ONNX、TensorFlow Lite、Caffe、Keras等模型格式,对pytorch与tensorflow框架友好,具有较好的普适性,可以对网络结构进行交互式2D可视化。

2)tensorspace
TensorSpace是一套用于构建神经网络3D可视化应用的框架,创建可视化网络、加载神经网络模型并在浏览器中基于已加载的模型进行3D可交互呈现。通过使用 TensorSpace,可以帮助您更直观的观察并理解基于 TensorFlow、Keras 或者 TensorFlow.js 等开发的神经网络模型。

测试内容:

(示例)经典CNN网络结构可视化: