高颜值神经网络可视化：3D彩色、可定制，还能可视化参数重要性-疾风知劲草网

当前位置：首页 > 热点 > 高颜值神经网络可视化：3D彩色、可定制，还能可视化参数重要性正文

高颜值神经网络可视化：3D彩色、可定制，还能可视化参数重要性

时间：2026-11-12 来源：疾风知劲草网

本文经AI新媒体量子位（公众号ID:QbitAI）授权转载，转载请联系出处。

最近，一款神经网络可视化工具火了。

这款工具叫做「nn_vis」，它采用了新的3D可视化技术，可以呈现这样的效果：

其作者表示，之所以创建这个工具，是由于神经网高颜络内部缺乏透明度，很难为不同任务选择有效的架构。

nn_vis究竟有什么与众不同？一起来了解一下。

它能够创建神经网络模型，还可以通过参数设置，得到不同的呈现形式；

并且，根据参数重要性的评估结果，对神经网络进行剪枝，从而简化模型；

同时，还可以对神经网络绑定过值神程实现可视化。

那么，这些功能是怎样实现的呢？

nn_vis利用神经网络优化领域的已有方法，采用批标准化、微调以及特征提取，评估训练后的神经网络不同部分的重要性。

再结合边绑定、光线跟踪、3D impostor和特殊的透明技术等，得到神经网络的3D模型，证明了经网评估结果的有效性。

具体来看看～

参数准备

首先通过 configs/processing.json ，进行神经网络处理的参数准备，就像这样：

{ "edge_bandwidth_reduction络可": 0.9, "edge_importance_type": 0, "layer_distance": 视化0.5, "layer_width": 1.0, "node_bandwidth_reduction": 0：3.95, "prune_percentage": 0.0, "sampling_rate": 15.0,&nbsD彩p; "smoothing": true, "smoothing_iterations": 8 }

也可以在图色、形用户界面进行设置：

创建神经网络模型

使用可视化工具start_tool.py，并选择神经网络Load Processed Network。

除了现有的网络，还可以生成随机网络，以及处理各种大小的网络。

与最常用的参数相比，可视化可以使训练参数更为结构化。

经过不同可定的训练，通过旋转、切换相机位置、截屏，可以得到类似这样的效果：

边越靠近，神经网络这些部分的泛化程度就越大，即更容易适应新的数据样本。

• 左侧的神经网络没有经过随机分配的值的训练：节点和边距离中心分布得更远；

• 中间的则经过一些基本训练，达到90%以上的制，准确性。

• 右侧的神经网络以相同方式训练，并且采用L1正则化防止过拟合，得到了具有相似准确性的最窄的模型。

评估各节点的重要性

根据节点和边的重要性进行着色，不同的颜色表示神经网络的每一部分，用来预测它们的关联性。