freeBuf
主站

分类

漏洞 工具 极客 Web安全 系统安全 网络安全 无线安全 设备/客户端安全 数据安全 安全管理 企业安全 工控安全

特色

头条 人物志 活动 视频 观点 招聘 报告 资讯 区块链安全 标准与合规 容器安全 公开课

官方公众号企业安全新浪微博

FreeBuf.COM网络安全行业门户,每日发布专业的安全资讯、技术剖析。

FreeBuf+小程序

FreeBuf+小程序

卷积神经网络可视化,真的很像神经元!(上篇)
2021-05-08 16:24:19

大家好,我是鹅厂在读的AI安全35号小学生。

不知道小伙伴们有没有这种感觉?在接触AI时,老感觉神经网络就像个黑盒子,摸不着,看不透,贼神秘了。

其实,神经网络就是对人脑运作模式的智能模拟。和人脑一样,神经网络模型的强大能力,是基于成千上万个神经元的相互作用。以卷积神经网络(CNN)为例,其结构就分为很多层,层与层之间通过线来连接。训练的过程,就是将所有的线设置成合适的值的过程。

为了直观展示,今天就通过可视化带大家看看AI训练时都长啥样。(前方多图预警!

首先,AI模型训练前长这样:

训练中,依次经过卷积-激活、卷积-激活-池化、卷积-激活、卷积-激活-池化……这个过程大概长这样:

最后,训练完成后长这样,一种张扬肆意的凌乱美有没有:

可以看到,经过训练后的模型之所以长得不再“均匀规整”,是因为被赋予了权值不一的特征。虽然训练花了不少时间,但360度观摩神经网络的训练后,让人觉得再漫长的等待都是值得的。

看完上面炫酷的3D展示,接下来我们再通过AI模型全局结构图,一步步拆解训练过程,试着把CNN每一层的操作和变化都展示出来。

首先是卷积层,这一步主要是为了提取特征。因为AI在识别图片时,并非一下子整张图整体识别,而是先对图中的每一个特征进行局部感知。

然后,到了激活层,这个步骤是对上面提取的特征做一次非线性映射。

接着,来到池化层,用白话来讲就是去除冗余信息,保留关键信息。毕竟一张图像通常包含了大量杂余信息,如果把整张图的所有特征都学习下来,那可不把AI累死。

就这样,以上操作重复N次,就形成了一个深层神经网络,完成自动化的有效特征提取:

最后,来到全连接层,通过对所有得到的特征加权,计算输出预测结果,大功告成。

以上,就是一整套AI训练时的正常画风。那么,如果我们给AI悄摸摸喂点对抗样本,训练过程又是什么画风呢?有同学想了解请留言~有反响鼓励我我继续写牙~

想亲手尝试的同学可看此git详细列上ai可视化相关资源:

https://github.com/aisecstudent/nn_visualization

# 极客 # 可视化 # AI安全
本文为 独立观点,未经允许不得转载,授权请联系FreeBuf客服小蜜蜂,微信:freebee2022
被以下专辑收录,发现更多精彩内容
+ 收入我的专辑
+ 加入我的收藏
相关推荐
  • 0 文章数
  • 0 关注者