MxNet系列——how_to——visualize_graph

博客新址: http://blog.xuezhisd.top
邮箱：xuezhisd@126.com

如何将神经网络可视化为计算图

该章节描述了如何在MXNet中使用在mx.viz.plot_network来可视化（使用MXNet构建的）神经网络。mx.viz.plot_network有助于将神经网络表示成一个计算图。其中，从输入节点开始计算；从输出节点读取结果。

前提条件

可视化网络需要 Jupyter Notebook 和 Graphviz 库。
务必按照 installation instructions 来设置MXNet和上述的依赖包。

可视化神经网络

mx.viz.plot_network 的输入包括：定义网络的 Symbol，计算图中的节点属性和节点形状参数（可选）。输出一个计算图。

下面我们尝试可视化一个用于线性矩阵分解的神经网络：

• 启动 Jupyter notebook 服务器

jupyter notebook

• 在浏览器中访问 Jupyter Notebook - http://localhost:8888/.
• 创建一个新的 notebook - “File -> New Notebook -> Python 2”
• 复制并运行下面的代码，以可视化网络。

import mxnet as mx #导入MXNet
#创建3个符号变量
user = mx.symbol.Variable('user')
item = mx.symbol.Variable('item')
score = mx.symbol.Variable('score')

# 设置虚拟的维度
k = 64
max_user = 100
max_item = 50

# user feature lookup ？？？
user = mx.symbol.Embedding(data = user, input_dim = max_user, output_dim = k)

# item feature lookup ？？？
item = mx.symbol.Embedding(data = item, input_dim = max_item, output_dim = k)

# 通过内积（逐像素乘积，并求和）来进行预测
net = user * item #逐像素乘积
net = mx.symbol.sum_axis(data = net, axis = 1) #求和
net = mx.symbol.Flatten(data = net) #展开（成向量的形式）

# 损失层
net = mx.symbol.LinearRegressionOutput(data = net, label = score)

# 可视化网络
mx.viz.plot_network(net)

结果（计算图）如下图所示：

参考

• Example MXNet Matrix Factorization
• Visualizing CNN Architecture of MXNet Tutorials