PAI实现的深度学习网络可视化编辑功能-FastNeuralNetwork

2021-10-13 00:27:24

在深度学习领域流传着这样一句话，“一张好的表示图，胜过一千个公式”
本文会介绍如何通过PAI-DSW中的FastNeuralNetwork功能实现深度学习网络的可视化编辑。

PAI产品入口：https://data.aliyun.com/product/learn
神经网络最早诞生于生物领域，用来模仿生物大脑复杂的神经元构成，后来人类为了探索大脑是如何思考，通过一层一层的数学公式来模拟大脑分析事物的过程。再后来就有了深度学习框架，人们可以通过代码去构建深度学习网络，复杂的深度学习网络通常由几十行甚至几百行代码构成，每一层网络又由许多参数组成，如下图：

当层数增多，通过代码去构建深度学习网络变的困难，并且难以维护和调整。FastNeuralNetwork功能可以将深度学习构图代码一键式转化成网络架构图，并且可以实现可视化编辑，大大增强了模型解读性和可维护性，如下图：

下面就介绍下如何使用FastNeuralNetwork功能。

功能介绍

1.创建

进入DSW，目前只有KerasCode和KerasGraph两个Kernel实现了FastNeuralNetwork功能。

KerasCode：先写深度学习网络代码，然后将代码转成图
KerasGraph：直接通过画布构建深度学习网络，并且将图转成代码

也可以通过左侧Demo列表提供的官方代码FNNDemo直接使用。

2.Magic Command介绍

打开Keras Code功能进入交互式开发页面，先通过代码构建深度学习网络。如以下示例代码：

import keras
from keras.models import Model
from keras.models import Sequential
from keras.layers import Conv2D, Dense, MaxPooling2D, Flatten, Dropout
from keras.initializers import VarianceScaling, Zeros

model = Sequential()
model.add(MaxPooling2D(padding='valid', data_format='channels_last', pool_size=(2, 2), strides=(2, 2), trainable=True))
model.add(Conv2D(dilation_rate=(1, 1), padding='valid', data_format='channels_last', bias_initializer=Zeros(), use_bias=True, filters=64, strides=(1, 1), trainable=True, kernel_initializer=VarianceScaling(mode='fan_avg', seed=None, scale=1.0, distribution='uniform'), activation='relu', kernel_size=(3, 3)))
model.add(MaxPooling2D(padding='valid', data_format='channels_last', pool_size=(2, 2), strides=(2, 2), trainable=True))
model.add(Dropout(rate=0.25, trainable=True))
model.add(Flatten(data_format='channels_last', trainable=True))
model.add(Dense(bias_initializer=Zeros(), use_bias=True, units=128, trainable=True, kernel_initializer=VarianceScaling(mode='fan_avg', seed=None, scale=1.0, distribution='uniform'), activation='relu'))
model.add(Dropout(rate=0.4, trainable=True))
model.add(Dropout(rate=0.2))

代码中构建了一个Sequential模型，模型对象是model，可以通过输入Magic Command 将代码转化成图