یک سیستم تجسم تعاملی طراحی شده برای کمک به افراد غیر متخصص در مورد شبکه های عصبی کانولوشن (CNN)
موفقیت بزرگ یادگیری عمیق بسیاری از متخصصین و دانشجویان را برای یادگیری در مورد این فناوری هیجان انگیز ترغیب می کند. با این حال، اغلب مبتدیان به دلیل پیچیدگی درک و بکارگیری یادگیری عمیق، اولین قدم را برمی دارند. در این پروژه پیاده سازی CNN Explainer را ارائه می دهیم، یک ابزار تجسم تعاملی که برای افراد غیر متخصص طراحی شده است تا شبکه های عصبی کانولوشنال (CNNها) را یاد بگیرند و معماری مدل یادگیری عمیق را پایه ریزی کنند. ابزار ما چالش های کلیدی که مبتدیان هنگام یادگیری در مورد CNNها با آن مواجه می شوند، برطرف می کند، این چالش ها با استفاده از مصاحبه با مربیان و نظرسنجی با دانشجویان شناسایی شده اند. CNN Explainer یک مدل کلی که ساختار CNN را خلاصه می کند و نمایشهای بصری پویا در صورت تقاضا که به کاربران در درک اجزای زیربنایی CNN ها کمک می کند، ادغام می کند. ابزار ما از طریق انتقال آرام در سطوح انتزاعی، کاربران را قادر می سازد تا تعامل بین عملیات ریاضی سطح پایین و ساختارهای مدل سطح بالا را بررسی کنند. یک مطالعه کیفی بر روی کاربران نشان می دهد که CNN Explainer به کاربران کمک می کند تا عملکرد داخلی CNN ها را به راحتی درک کنند و استفاده از آن جذاب و لذت بخش می باشد. CNN Explainer که با استفاده از فناوری های وب مدرن توسعه یافته است، بدون نیاز به نصب یا سخت افزار تخصصی، بصورت محلی در مرورگرهای وب کاربران اجرا می شود و دسترسی آموزش عمومی به تکنیک های یادگیری عمیق مدرن را افزایش می دهد.
شبیه سازی مقاله CNN Explainer: یادگیری شبکه های عصبی کانولوشن با تجسم تعاملی
در این پروژه می توانید پیاده سازی مقاله شبکه های عصبی کانولوشن را برای طبقه بندی جملات در Tensorflow کمی ساده شده دانلود کنید.
الزامات
- Python 3
- Tensorflow > 0.12
- Numpy
آموزش
./train.py –help
پارامترهای چاپ:
optional arguments:
-h, –help show this help message and exit
–embedding_dim EMBEDDING_DIM
Dimensionality of character embedding (default: 128)
–filter_sizes FILTER_SIZES
Comma-separated filter sizes (default: ‘3,4,5’)
–num_filters NUM_FILTERS
Number of filters per filter size (default: 128)
–l2_reg_lambda L2_REG_LAMBDA
L2 regularizaion lambda (default: 0.0)
–dropout_keep_prob DROPOUT_KEEP_PROB
Dropout keep probability (default: 0.5)
–batch_size BATCH_SIZE
Batch Size (default: 64)
–num_epochs NUM_EPOCHS
Number of training epochs (default: 100)
–evaluate_every EVALUATE_EVERY
Evaluate model on dev set after this many steps
(default: 100)
–checkpoint_every CHECKPOINT_EVERY
Save model after this many steps (default: 100)
–allow_soft_placement ALLOW_SOFT_PLACEMENT
Allow device soft device placement
–noallow_soft_placement
–log_device_placement LOG_DEVICE_PLACEMENT
Log placement of ops on devices
–nolog_device_placement
آموزش
./train.py
ارزیابی
./eval.py –eval_train –checkpoint_dir=”./runs/1459637919/checkpoints/”
خروجی حاصل از آموزش را با checkpoint dir جایگزین کنید. برای استفاده از داده های خود، اسکریپت eval.py را برای بارگیری داده های خود تغییر دهید.
به صورت محلی اجرا می شود
این مخزن را شبیه سازی یا بارگیری کنید:
git clone git@github.com:poloclub/cnn-explainer.git
# use degit if you don’t want to download commit histories
degit poloclub/cnn-explainer
وابستگی ها را نصب کنید:
npm install
سپس CNN Explainer را اجرا کنید:
npm run dev
به localhost بروید: 5000. شما باید CNN Explainer را در مرورگر خود مشاهده کنید 🙂
برای مشاهده نحوه آموزش CNN ، از دایرکتوری ./tiny-vgg/ دیدن کنید. اگر می خواهید از CNN Explainer با مدل CNN یا کلاس های تصویری خود استفاده کنید ، به شماره 8 و #14 مراجعه کنید.
منبع
Wang, Z.J., Turko, R., Shaikh, O., Park, H., Das, N., Hohman, F., Kahng, M., & Chau, D. (2021). CNN Explainer: Learning Convolutional Neural Networks with Interactive Visualization. IEEE Transactions on Visualization and Computer Graphics, 27, 1396-1406.
پروژه مشابه دارید؟
برای ثبت سفارش در سیمیا می توانید از طریق اپلیکیشن سیمیا، یا فرم ثبت سفارش در سایت اقدام کرده و یا از طریق ایمیل، واتساپ، تلگرام و اینستاگرام اقدام نمایید.
اپلیکیشن سیمیا را از بازار و مایکت دانلود کنید.
سریع ترین راه پاسخگویی سیمیا، واتساپ می باشد. لینک واتساپ، اینستاگرام و تلگرام در پایین سایت وجود دارد.
نشانی ایمیل سیمیا simiya_ht@yahoo.com می باشد.
از برقراری تماس برای هماهنگی پروژه خودداری کنید، حجم بالای سفارشات به ما اجازه نمی دهد تا از طریق تلفن پاسخگوی شما عزیزان باشیم، حتما درخواست خود را به صورت مکتوب و از طریق یکی از راه های ذکر شده فوق ارسال نمایید، درخواست خود را به طور کامل و با تمام فایل ها و توضیحات لازم ارسال نمایید تا مدت زمان بررسی آن به حداقل برسد. پس از تعیین کارشناس، در اسرع وقت به شما پاسخ می دهیم.
نقد و بررسیها
هیچ دیدگاهی برای این محصول نوشته نشده است.