Skip to content

Latest commit

 

History

History
331 lines (246 loc) · 15.5 KB

README_zh.md

File metadata and controls

331 lines (246 loc) · 15.5 KB
Raw

TensorSpace.js

Present Tensor in Space

English | 中文

npm version license badge dependencies badge dependencies badge dependencies badge build gitter

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

图2 - TensorSpace 使用流程

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3 - 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4 - LeNet 模型判别输入 “5”

样例展示

  • LeNet [ TensorFlow.js 模型 ]

➡ 在线演示

图5 - 使用 TensorSpace 构建 LeNet

  • AlexNet [ TensorFlow 模型 ]

➡ 在线演示

图6 - 使用 TensorSpace 构建 AlexNet

  • Yolov2-tiny [ TensorFlow 模型 ]

➡ 在线演示

图7 - 使用 TensorSpace 构建 YOLO-v2-tiny

  • ResNet-50 [ Keras 模型 ]

➡ 在线演示

图8 - 使用 TensorSpace 构建 ResNet-50

  • Vgg16 [ Keras 模型 ]

➡ 在线演示

图9 - 使用 TensorSpace 构建 VGG-16

  • ACGAN [ Keras 模型 ]

➡ 在线演示

图10 - 使用 TensorSpace 构建 ACGAN 生成网络

  • MobileNetv1 [ Keras 模型 ]

➡ 在线演示

图11 - 使用 TensorSpace 构建 MobileNetv1

  • Inceptionv3 [ Keras 模型 ]

➡ 在线演示

图12 - 使用 TensorSpace 构建 Inceptionv3

  • LeNet训练过程3D可视化 [ TensorFlow.js 动态模型 ]

使用 TensorSpace.js 和 TensorFlow.js 将 LeNet 的训练过程在浏览器端进行3D可视化展示

➡ 在线演示

图13 - LeNet训练过程3D可视化

本地查看以上模型

有些模型非常大，使用官网的Playground载入非常慢。如果你想获得更好的载入速度，把TensorSpace项目拷贝到本地是一个好选择

  • 第一步：Clone 项目文件夹到任意文件夹（无系统要求，这一步时间较长，大约2GB大小，都是预训练模型）
git clone https://github.com/tensorspace-team/tensorspace.git
  • 第二步： 在TensorSpace的根目录下，编译最新的TensorSpace.js
cd tensorspace
npm run build
  • 第三步：本地使用 WebStorm 打开项目
  • 第四步：打开 /examples 文件夹，点选任意模型的 .html 文件（比如/exampes/resnet50/resnet50.html）
  • 第五步：点击右上角的Chrome图表在本地运行.html 文件（js 和 css ）直接可以在本地浏览器内查看对应模型

文档

更新日志

TensorSpace 的所有更新日志都可以在这个文件中查看。

CHANGELOG.md

开发人员


syt123450
💻 🎨 📖 💡
Chenhua Zhu
💻 🎨 ✅ 💡
YaoXing Liu
💻 🎨 ✅ 💡
Qi(Nora)
💻 🎨

联系方式

若有任何疑问，欢迎通过以下方式联系我们：

许可证

Apache License 2.0