TensorSpace.js：用于构建神经网络 3D 可视化应用的框架

TensorSpace.js

Present Tensor in Space

English | 中文

TensorSpace是一套用于构建神经网络3D可视化应用的框架。 开发者可以使用类Keras风格的TensorSpace API，轻松创建可视化网络、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。 TensorSpace可以使您更直观地观察神经网络模型，并了解该模型是如何通过中间层 tensor 的运算来得出最终结果的。 TensorSpace 支持3D可视化经过适当预处理之后的 TensorFlow、Keras、TensorFlow.js 模型。

图1 - 使用 TensorSpace 创建的交互式 LeNet 模型

目录

TensorSpace 使用场景

TensorSpace 基于 TensorFlow.js、Three.js 和 Tween.js 开发，用于对神经网络进行3D可视化呈现。通过使用 TensorSpace，不仅仅能展示神经网络的结构，还可以呈现网络的内部特征提取、中间层的数据交互以及最终的结果预测等一系列过程。

通过使用 TensorSpace，可以帮助您更直观地观察并理解基于TensorFlow、Keras或者TensorFlow.js开发的神经网络模型。 TensorSpace 降低了前端开发者进行深度学习相关应用开发的门槛。 我们期待看到更多基于 TensorSpace 开发的3D可视化应用。

• 交互-- 使用类 Keras 的API，在浏览器中构建可交互的3D可视化模型。

• 直观-- 观察并展示模型中间层预测数据，直观演示模型推测过程。

• 集成-- 支持使用 TensorFlow、Keras 以及 TensorFlow.js 训练的模型。

开始使用

安装

• 第一步: 下载 TensorSpace.js

我们提供了三种下载 TensorSpace.js 的方法，它们分别是 npm、yarn 以及 来自官方网站。

途径 1: NPM

npm install tensorspace

途径 2: Yarn

yarn add tensorspace

途径 3: 官方网站下载

• 第二步: 安装依赖库

请在使用 TensorSapce.js 之前，引入 TensorFlow.js 、 Three.js 、 Tween.js 和 TrackballControl.js 至所需要的 html 文件中，并置于 TensorSpace.js 的引用之前。

<script src="tf.min.js"></script>
<script src="three.min.js"></script>
<script src="tween.min.js"></script>
<script src="TrackballControls.js"></script>

• 第三步: 安装 TensorSpace.js

将 TensorSpace.js 引入 html 文件中：

<script src="tensorspace.min.js"></script>

模型预处理

为了获得神经网络中间层的运算结果，我们需要对已有的模型进行 模型预处理 。

基于不同的机器学习库，我们提供了 TensorFlow 模型预处理教程 、 Keras 模型预处理教程 以及 TensorFlow.js 模型预处理教程 。

使用

在成功安装完成 TensorSpace 并完成神经网络模型预处理之后，我们可以来创建一个3D TensorSpace 模型。

为了简化步骤，请随意使用我们在 HelloWorld 路径下所提供的资源。

我们将会用到 适配 TensorSpace 的预处理模型 以及 样例输入数据（“5”） 作为使用样例来进行说明。所有的源码都可以在 helloworld.html 文件中找到。

首先，我们需要新建一个 TensorSpace 模型实例：

let container = document.getElementById( "container" );
let model = new TSP.models.Sequential( container );

然后，基于 LeNet 网络的结构：输入层 + 2 X (Conv2D层 & Maxpooling层) + 3 X (Dense层)，我们可以搭建其模型结构：

model.add( new TSP.layers.GreyscaleInput({ shape: [28, 28, 1] }) );
model.add( new TSP.layers.Padding2d({ padding: [2, 2] }) );
model.add( new TSP.layers.Conv2d({ kernelSize: 5, filters: 6, strides: 1 }) );
model.add( new TSP.layers.Pooling2d({ poolSize: [2, 2], strides: [2, 2] }) );
model.add( new TSP.layers.Conv2d({ kernelSize: 5, filters: 16, strides: 1 }) );
model.add( new TSP.layers.Pooling2d({ poolSize: [2, 2], strides: [2, 2] }) );
model.add( new TSP.layers.Dense({ units: 120 }) );
model.add( new TSP.layers.Dense({ units: 84 }) );
model.add( new TSP.layers.Output1d({
    units: 10,
    outputs: ["0", "1", "2", "3", "4", "5", "6", "7", "8", "9"]
}) );

最后，我们需要载入 经过预处理的 TensorSpace 适配模型 并使用 init() 方法来创建模型对象：

model.load({
    type: "tfjs",
    url: './lenetModel/mnist.json'
});
model.init(function(){
    console.log("Hello World from TensorSpace!");
});

我们可以在浏览器中看到以下模型：

图2 - 所创建的 LeNet 模型 (无输入数据）

我们可以使用我们已经提取好的 手写“5” 作为模型的输入：

model.init(function() {
    model.predict( image_5 );
});

我们在这里将预测方法放入 init() 的回调函数中以确保预测在初始化完成之后进行( 在线演示 )。

点击后面这个CodePen logo来在CodePen中试一下这个例子吧 ~

图3 - LeNet 模型判别输入 “5”

样例展示

• LeNet

➡ 在线演示

图4 - 使用 TensorSpace 构建 LeNet

• AlexNet

➡ 在线演示

图5 - 使用 TensorSpace 构建 AlexNet

• Yolov2-tiny

➡ 在线演示

图6 - 使用 TensorSpace 构建 YOLO-v2-tiny

• ResNet-50

➡ 在线演示

图7 - 使用 TensorSpace 构建 ResNet-50

• Vgg16

➡ 在线演示

图8 - 使用 TensorSpace 构建 VGG-16

• ACGAN

➡ 在线演示

图9 - 使用 TensorSpace 构建 ACGAN 生成网络

• MobileNetv1

➡ 在线演示

图10 - 使用 TensorSpace 构建 MobileNetv1 生成网络

文档

• 迅速开始使用，参阅 开始使用 。
• 下载并安装，查看 下载 。
• 了解更多 基本概念 。
• 如何使用神经网络模型，查看 模型预处理 。
• 了解核心组成构件： 模型 、 网络层 以及 网络层融合 。
• 希望获取更多 TensorSpace 的信息，请访问 TensorSpace 官方网站 TensorSpace.org 。

更新日志

Releases

开发人员

联系方式

若有任何疑问，欢迎通过以下方式联系我们：

• Email: tensorspaceteam@gmail.com
• GitHub Issues: create issue
• Slack: #questions
• Gitter: #Lobby

许可证

Apache License 2.0