拯救手残党，机器学习画图模板ML Visuals更新了

神经网络画图神器 ML Visuals 正在持续更新。

去年 5 月，机器之心曾向大家推荐一款名为 ML Visuals 的机器学习画图模板，该项目受到广泛关注，迄今已收获 2.2K Star。ML Visuals 专为解决神经网络画图问题设计，最近，这一模板进行了更新。

项目地址：https://github.com/dair-ai/ml-visuals

ML Visuals 现在包含了 100 多个可用的自定义图形，使用者可以在任何论文、博客、PPT 中使用这些资源。

这份 101 页的模板共包含几个部分：

基础组件
架构
机器学习概念
抽象背景
渐变背景
机器学习 & 健康
其他
机器学习系统设计

基础组件

这套画图模板首先提供了多种基础组件，比如表示过程、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。

架构

架构部分的模板数量最多，共有 32 张。对于复杂的模型架构来说，套模板显然事半功倍，比亲手画图要便捷得多。

比如，画出卷积操作的示意图：

使用该模板重现一些经典架构也是得心应手，比如下图是使用该模板绘制的 Transformer 架构图：

机器学习概念

该模板还可以用来表示机器学习中的一些基本概念，比如 DropOut、归一化：

除此之外，目前这套模板还包含多张关于生物、医疗领域的内容。比如疼痛强度预估、疼痛位置预估：

这张代表「疼痛指数」的图，稍加修改就能用于别处：

最后再来看下使用该模板绘制的神经网络：

此外，该模板还可用于机器学习系统设计，例如：

目前，该模板还在持续更新中，感兴趣的读者可以参考：https://docs.google.com/presentation/d/11mR1nkIR9fbHegFkcFq8z9oDQ5sjv8E3JJp1LfLGKuk/edit#slide=id.g85a0789696_743_21

理论神经网络画图ML Visuals

相关数据

机器学习技术

机器学习是人工智能的一个分支，是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、计算复杂性理论等多门学科。机器学习理论主要是设计和分析一些让计算机可以自动“学习”的算法。因为学习算法中涉及了大量的统计学理论，机器学习与推断统计学联系尤为密切，也被称为统计学习理论。算法设计方面，机器学习理论关注可以实现的，行之有效的学习算法。

来源：Mitchell, T. (1997). Machine Learning. McGraw Hill.

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）。

来源：机器之心