GitHub火了：开源：通过交互式可视化学习卷积神经网络。

通过交互式可视化学习卷积神经网络。

源代码

lib robot / Cnn Explainer · GitPP

http://www.gitpp.com/robotlib/cnn-explainer

CNN 解释器：通过交互式可视化学习卷积神经网络。Wang, Zijie J.、Robert Turko、Omar Shaikh、Haekyu Park、Nilaksh Das、Fred Hohman、Minsuk Kahng 和 Duen Horng Chau。IEEE 可视化与计算机图形学学报 (TVCG)，2020 年。

现场演示

如需现场演示，请访问：http://poloclub.github.io/cnn-explainer/

本地运行

克隆或下载此存储库：

git clone git@github.com:poloclub/cnn-explainer.git

# use degit if you don't want to download commit histories
degit poloclub/cnn-explainer

安装依赖项：

npm install

然后运行 CNN Explainer：

npm run dev

导航到localhost:3000。你应该看到 CNN Explainer 在你的浏览器中运行 :)

要了解我们如何训练 CNN，请访问目录./tiny-vgg/。如果您想将 CNN Explainer 与自己的 CNN 模型或图像类别一起使用，请参阅#8和#14。

卷积神经网络（Convolutional Neural Network，CNN）是一种特殊的神经网络，特别适用于处理具有明显网格结构的数据，如图像。CNN模型的设计灵感来源于生物的视觉感知机制，它通过一系列的操作，如卷积、池化（Pooling）和全连接层，来提取输入数据的特征，并进行分类或回归任务。

CNN的主要组成部分

卷积层（Convolutional Layer）：

卷积层是CNN的核心，它通过一系列的卷积核（或称为过滤器）对输入数据进行卷积操作，以提取特征。卷积核在输入数据上滑动，计算卷积核与输入数据对应位置的乘积之和，得到特征图（Feature Map）。

激活函数（Activation Function）：

激活函数用于增加网络的非线性，常用的激活函数包括ReLU、Sigmoid和Tanh等。

池化层（Pooling Layer）：

池化层用于降低特征图的维度，减少计算量，同时保留重要特征。常见的池化操作包括最大池化（Max Pooling）和平均池化（Average Pooling）。

全连接层（Fully Connected Layer）：

在CNN的末尾，通常会有一到多个全连接层，用于将前面提取的特征映射到输出空间，进行分类或回归任务。

归一化层（如Batch Normalization）：

归一化层用于加速训练过程，提高模型的稳定性，通过调整每一层输入的均值和方差来实现。

CNN的应用

CNN在图像和视频识别、推荐系统、图像分类、医学图像分析、自然语言处理等多个领域都有广泛的应用。特别是在图像识别领域，CNN已经取得了显著的成功，如AlexNet、VGG、ResNet等经典模型在ImageNet挑战赛上不断刷新记录。

总结

CNN通过其特殊的结构设计，能够有效地提取图像等网格结构数据的特征，并进行复杂的分类和回归任务。它是深度学习领域的一个重要分支，在计算机视觉等多个领域都有广泛的应用和深入的研究。

通过交互式可视化学习卷积神经网络。

源代码

lib robot / Cnn Explainer · GitPP

http://www.gitpp.com/robotlib/cnn-explainer