张倩、魔王报道

画图太丑拿不出手?有人做了套机器学习专用画图模板,还有暗黑模式

机器学习从业者,从此不再愁如何画神经网络图了。

论文、博客写好了,里面的图可怎么画?对于很多研究人员和开发者来说,内容的「可视化」是一个大问题。如果从头开始画,配色、空间布局都很伤脑筋,而且画丑了也拿不出手,要是有模板可以套就好了。

别急,还真有人做了一套模板。

这套模板名叫 ML Visuals,是专为解决神经网络画图问题设计的。项目放出不到十天,就引来了不少人的关注,收获了 500 多 star。

下边这张图是不是很面熟?这就是大名鼎鼎的 Transformer 架构,右边是谷歌大脑论文《Attention Is All You Need》中的 Transformer 架构原图,左边是用上述模板重新画出来的,还原度是不是很高,而且看起来很漂亮?

ML Visuals 提供了更加专业、美观、恰当的视觉效果和图形,可以帮助机器学习社区改善科学沟通。用户可以在 PPT 或博客中免费使用其中的视觉效果和图形。

该项目由 dair.ai 社区创建和维护(dair.ai 社区致力于民主化人工智能研究、教育和技术),社区成员将继续更新,添加更常见的图形和基本要素。

用户可以免费下载、复制、分发、重用这里的模板,还可以根据自己的需求进行自定义。

ML 专用画图模板,拯救手残党

ML Visuals 项目中每个好看又复杂的图都是由一个个小模块组成的。在这套模板中,作者用到了多种模块,如表示过程、操作或转换的圆角矩形,表示神经元或任意操作的小圆圈,表示向量的一排小方块以及表示多维数组的网格等。

选择其中一些模块组合使用,就可以得到神经网络的一层:

它们还可以用来表示神经网络中的某个过程,如下图中的分词过程:

再复杂一点,还可以画出整个神经网络

此外,这套模板还可用来表示机器学习领域的一些概念,如线性回归

Dropout

对于喜欢「暗黑模式」的同学,这个项目也照顾到了:

除此之外,该项目还提供了背景模板,方便用户进行图形自定义。

如何使用?

该项目使用 Google Slides 对所有视觉效果和图形进行维护,用户可以通过 Google Slides 使用其中的组件,或执行添加、自定义等操作。

添加

想要添加自定义图,只需添加一张新的幻灯片,并重用任意基础视觉组件。不过你需要先获取编辑权限(点击「只能查看」工具栏下的「请求编辑权限」或者发邮件至 ellfae@gmail.com 获取编辑权限)。

复制并使用

用户还可以复制这些幻灯片并按照自己的意愿进行自定义。

共享

dair.ai 社区鼓励用户添加自己的图形并允许他人重用。不过,图形作者最好在幻灯片备注中添加作者信息,方便其他人在重用这些图形时进行恰当地引用。图形作者或设计者还可以添加自己的姓名和邮件地址,方便其他用户咨询相关问题。

此外,图形作者可以为自己的视觉图形提供简单的描述,以帮助其他用户理解用途。

用户需要注意的是,在获取编辑权限后,不要删除别人添加的图形。如果想要进行改进,用户可以新增一张幻灯片,并添加改进版本。

下载

下载幻灯片的过程很简单,只需点击「文件→下载」,然后选择合适的格式即可。

除此以外,如果用户在图形自定义方面需要帮助,或者有一些对他人有益的想法,可以打开 issue 页面(https://github.com/dair-ai/ml-visuals/issues/new)进行描述。

  • ML Visuals 地址:https://docs.google.com/presentation/d/11mR1nkIR9fbHegFkcFq8z9oDQ5sjv8E3JJp1LfLGKuk/edit#slide=id.g78327f1586_1537_865

  • GitHub 地址:https://github.com/dair-ai/ml-visuals

入门机器学习神经网络画图ML Visuals
5
相关数据
Dropout技术

神经网络训练中防止过拟合的一种技术

神经网络技术

(人工)神经网络是一种起源于 20 世纪 50 年代的监督式机器学习模型,那时候研究者构想了「感知器(perceptron)」的想法。这一领域的研究者通常被称为「联结主义者(Connectionist)」,因为这种模型模拟了人脑的功能。神经网络模型通常是通过反向传播算法应用梯度下降训练的。目前神经网络有两大主要类型,它们都是前馈神经网络:卷积神经网络(CNN)和循环神经网络(RNN),其中 RNN 又包含长短期记忆(LSTM)、门控循环单元(GRU)等等。深度学习是一种主要应用于神经网络帮助其取得更好结果的技术。尽管神经网络主要用于监督学习,但也有一些为无监督学习设计的变体,比如自动编码器和生成对抗网络(GAN)。

线性回归技术

在现实世界中,存在着大量这样的情况:两个变量例如X和Y有一些依赖关系。由X可以部分地决定Y的值,但这种决定往往不很确切。常常用来说明这种依赖关系的最简单、直观的例子是体重与身高,用Y表示他的体重。众所周知,一般说来,当X大时,Y也倾向于大,但由X不能严格地决定Y。又如,城市生活用电量Y与气温X有很大的关系。在夏天气温很高或冬天气温很低时,由于室内空调、冰箱等家用电器的使用,可能用电就高,相反,在春秋季节气温不高也不低,用电量就可能少。但我们不能由气温X准确地决定用电量Y。类似的例子还很多,变量之间的这种关系称为“相关关系”,回归模型就是研究相关关系的一个有力工具。

神经元技术

(人工)神经元是一个类比于生物神经元的数学计算模型,是神经网络的基本组成单元。 对于生物神经网络,每个神经元与其他神经元相连,当它“兴奋”时会向相连的神经元发送化学物质,从而改变这些神经元的电位;神经元的“兴奋”由其电位决定,当它的电位超过一个“阈值”(threshold)便会被激活,亦即“兴奋”。 目前最常见的神经元模型是基于1943年 Warren McCulloch 和 Walter Pitts提出的“M-P 神经元模型”。 在这个模型中,神经元通过带权重的连接接处理来自n个其他神经元的输入信号,其总输入值将与神经元的阈值进行比较,最后通过“激活函数”(activation function)产生神经元的输出。

推荐文章
暂无评论
暂无评论~