Гистограмма сеть: Гистограмма | Документация AnyLogic

Гистограмма | Документация AnyLogic

• Свойства
• Функции

Область диаграммыЛегенда диаграммыСетка и метки диаграммыОбновление диаграммДинамическое изменение внешнего вида диаграммыБиблиотека классов — класс Histogram

Гистограмма отображает данные, собранные объектом Данные гистограммы (на одной гистограмме могут одновременно отображаться данные сразу нескольких таких объектов). Ось X всегда масштабируется таким образом, чтобы вместить все данные. Масштаб по оси Y также выбирается автоматически, таким образом, чтобы высота самого высокого столбца была равна высоте области диаграммы.

Гистограмма

При необходимости на гистограмме могут быть отображены функция плотности вероятности, функция распределения и линия среднего значения.

Функция плотности вероятности отображается в виде набора вертикальных столбцов, каждый из которых соответствует определенному интервалу. Высота столбца пропорциональна плотности (или количеству) значений, попавших в этот интервал.

Интегральная функция распределения отображается в виде ломаной линии поверх плотности вероятности, а среднее значение — в виде вертикальной линии, проходящей через точку с координатой, равной среднему значению.

Если объектом сбора данных гистограммы вычисляются процентили, и заданы значения как нижнего, так и верхнего доверительного интервалов, то столбцы, содержащие «рисковые значения» (значения, удовлетворяющие уравнению Интегральная функция распределения(значение) < нижний процентиль или Интегральная функция распределения(значение) > 100 — верхний процентиль) будут отрисовываться заданными цветами.

Чтобы добавить гистограмму

1. Перетащите элемент Гистограмма из палитры Статистика в то место графического редактора, где вы хотите нарисовать гистограмму.
2. Перейдите в секцию Данные панели Свойства.
3. Последовательно задайте те объекты сбора данных, которые вы хотите отображать на данной гистограмме.
   Чтобы добавить данные, щелкните мышью по кнопке Добавить данные и задайте свойства этого объекта данных в появившейся ниже секции свойств.
4. Введите имя объекта сбора данных гистограммы в поле Данные.
5. В поле Заголовок введите текст, который будет отображаться в легенде гистограммы.
6. Если вы хотите, чтобы на гистограмме отображалась плотность вероятности данных, установите флажок Отображать плотность вер-ти и при необходимости измените Цвет плотности вер-ти.
7. Если вы хотите, чтобы на гистограмме отображалась интегральная функция распределения установите флажок Отображать ф-ю распределения и при необходимости измените Цвет линии ф. распред..
8. Если вы хотите, чтобы на гистограмме отображалась линия среднего значения, установите флажок Отображать среднее и при необходимости измените Цвет линии среднего.
9. Если для каких-то данных вычисляются процентили, то вы можете изменить цвет плотности вероятности слева от нижнего и справа от верхнего процентиля в полях Цвет нижнего % и Цвет верхнего % соответственно.

Свойства

Основные

Имя — Имя гистограммы. По этому имени гистограмма будет доступна из кода.

Исключить — Если опция выбрана, то гистограмма будет исключена из модели.

Отображается на верхнем агенте — Если опция выбрана, то гистограмма будет видна на презентации типа агента, в который будет вложен данный агент.

Отображать плотность вер-ти — Если опция выбрана, то на гистограмме будет отображаться плотность вероятности.

Отображать ф-ю распределения — Если опция выбрана, то на гистограмме будет отображаться функция распределения.

Отображать среднее — Если опция выбрана, то на гистограмме будет нарисована вертикальная линия, соответствующая среднему значению.

Данные

 — С помощью этой кнопки вы можете добавить новый объект данных гистограммы на гистограмму. Щелкнув по ней, вы откроете новую секцию свойств, в которой вы должны будете задать свойства нового объекта данных:

Заголовок — Заголовок этого объекта данных, который будет отображаться в легенде гистограммы.
Данные — Имя этого объекта данных гистограммы.
Цвет плотности вер-ти — [Виден, если установлен флажок Отображать плотность вер-ти] Цвет, которым на гистограмме будет отображаться плотность вероятности.
Цвет линии ф. распред. — [Виден, если установлен флажок Отображать ф-ю распределения] Цвет, которым на гистограмме будет отображаться интегральная функция распределения.
Цвет линии среднего — [Виден, если установлен флажок Отображать среднее] Цвет, которым на гистограмме будет отображаться линия среднего значения.
Толщина линии ф-ии распред. и среднего — [Виден, если установлен флажок Отображать ф-ю распределения или Отображать среднее] Толщина линии интегральной функции распределения и линии среднего значения. Цвет нижнего % — Цвет, которым будет отображаться плотность вероятности слева от нижнего процентиля.
Цвет верхнего % — Цвет, которым будет отображаться плотность вероятности справа от верхнего процентиля.

Чтобы удалить объект данных с гистограммы, щелкните мышью по кнопке внизу этой секции свойств. Используйте кнопки и , чтобы изменять порядок расположения элементов данных.

Обновление данных

Обновлять данные автоматически — Если опция выбрана, то гистограмма будет производить обновление значений отображаемых на ней объектов данных с периодичностью, указанной в поле Период. Так же здесь вы можете выбрать, хотите ли вы Использовать модельное время, чтобы задать Время первого обновления, или вы хотите Использовать календарные даты, чтобы задать Дату обновления.

Не обновлять данные автоматически — Если опция выбрана, то гистограмма не будет самостоятельно производить обновление значений отображаемых на ней объектов данных.

Внешний вид

Относительная ширина столбцов — С помощью данного бегунка вы можете задавать суммарную ширину оснований столбцов (в процентах, относительно соответствующей размерности гистограммы, 100% — максимум, 50% — половина и т.

д.).

Метки по оси Y — С помощью данного выпадающего списка вы можете задать расположение меток, отображаемых для оси Y, относительно области гистограммы (Слева или Справа). Если вы не хотите, чтобы у оси Y отображались метки, выберите из списка Нет.

Цвет фона — Фоновый цвет диаграммы.

Цвет границы — Цвет, которым будет отображаться граница диаграммы.

Цвет меток — Цвет, которым будут отображаться метки по оси Y. Если вы не хотите, чтобы метки были видны, выберите Нет цвета.

Цвет сетки — Цвет, которым будет отображаться сетка гистограммы. Если вы не хотите, чтобы сетка была видна, выберите Нет заливки.

Местоположение и размер

Уровень — Уровень, на котором расположена эта гистограмма.

X — X-координата верхнего левого угла диаграммы.

Y — Y-координата верхнего левого угла диаграммы.

Ширина — Ширина диаграммы (в пикселах).

Высота — Высота диаграммы (в пикселах).

Легенда

Легенда — Если опция выбрана, то у данной гистограммы будет отображаться легенда. Вы можете управлять местоположением легенды относительно области диаграммы с помощью группы кнопок Расположение. Размер области, выделенной под легенду, задается с помощью элемента управления Ширина (или Высота, в зависимости от того, какое задано Расположение легенды). Также вы можете изменить Цвет текста легенды.

Область диаграммы

Свойства, расположенные в секции Область диаграммы, задают визуальные свойства области диаграммы:

Смещение по оси X

 — Смещение области диаграммы по оси X относительно левой границы всей области, выделенной в графическом редакторе под диаграмму.

Смещение по оси Y — Смещение области диаграммы по оси Y относительно верхней границы всей области, выделенной в графическом редакторе под диаграмму.

Ширина — Ширина области диаграммы (в пикселах).

Высота — Высота области диаграммы (в пикселах).

Цвет фона — Фоновый цвет области диаграммы.

Цвет границы — Цвет, которым будет отображаться граница области диаграммы.

Специфические

Видимость — Видимость диаграммы. Диаграмма будет видна, если заданное здесь выражение будет истинно (true), в противном случае диаграмма отображаться не будет.

Количество — Количество экземпляров данной диаграммы. Если вы оставите это поле пустым, то будет создана только одна такая диаграмма.

Действие при изменении выделения — Код, который будет выполняться, когда пользователь выделит на диаграмме какой-то один (или несколько) элемент(ов) данных. Код будет вызываться как в том случае, если пользователь выделит элементы, щелкнув мышью по их заголовкам в легенде, так и в том случае, если он выделит их программно путем вызова метода selectItem(). Вы можете использовать в этом коде две переменные:

int[] selectedIndices — номера выделенных в текущий момент элементов данных
boolean programmatically — определяет, были ли элементы выделены программно (true) или нет (false)

Отображать имя — Если опция выбрана, то имя фигуры будет отображаться в графическом редакторе.

Функции

Данные диаграммы

Функция	Описание
void addHistogram(HistogramData hist, String title, Color colorLowPercent, Color colorHighPercent, Color colorPDF, Color colorCDF, float lineWidthCDF, Color colorMean)	Добавляет на диаграмму объект данных гистограммы с заданным по умолчанию внешним видом. hist — объект данных гистограммы для добавления title — заголовок объекта данных colorLowPercent — цвет для отображения столбиков плотности вероятности данных слева от нижнего процентиля colorHighPercent — цвет для отображения столбиков плотности вероятности данных справа от верхнего процентиля colorPDF — цвет для отображения столбиков плотности вероятности colorCDF — цвет для отображения линии функции распределения lineWidthCDF — толщина линии функции распределения, 0 соответствует самой тонкой линии colorMean — цвет для отображения линии среднего значения
int getCount()	Возвращает количество элементов данных, отображаемых этой диаграммой.
ChartItem get(int i)	Возвращает элемент данных гистограммы с заданным индексом i. i — индекс элемента гистограммы
String getTitle(int i)	Возвращает заголовок элемента данных гистограммы с заданным индексом i. i — индекс элемента гистограммы
Color getColor(int i)	Возвращает PDF цвет элемента гистограммы с заданным индексом. i — индекс элемента гистограммы
void setColor(int i, Color c)	Задает новый PDF цвет элемента гистограммы с заданным индексом. i — индекс элемента гистограммы c — новый цвет элемента гистограммы
void remove(int i)	Удаляет с диаграммы элемент данных гистограммы с заданным индексом i. i — индекс элемента гистограммы
int remove(ChartItem ci)	Удаляет заданный элемент данных гистограммы с диаграммы.
void removeAll()	Удаляет все элементы с диаграммы.

Выделение элементов данных

Функция	Описание
void selectItem(int itemIndex, boolean selected)	Выделяет/снимает выделение (это зависит от значения параметра selected) с элемента диаграммы с заданным индексом. itemIndex — индекс элемента диаграммы selected — если true, то выделяет элемент, если false, то снимает выделение
void setSelectedItemIndices(int[] selectedIndices)	Выделяет элементы диаграммы с заданными индексами. Если ранее были выделены какие-то другие элементы, то это выделение будет снято. selectedIndices — массив индексов элементов диаграмм, которые будут выделены, может быть равен null  — тогда выделение будет снято со всех элементов
int[] getSelectedItemIndices()	Возвращает количество элементов диаграммы, выделенных на диаграмме.

Ручное обновление данных диаграммы

Функция	Описание
void updateData()	Обновляет все элементы данных, отображаемые на этой диаграмме.

Местоположение

Функция	Описание
double getX()	Возвращает координату X диаграммы (а именно, ее левого верхнего угла).
double getY()	Возвращает координату Y диаграммы (а именно, ее левого верхнего угла).
void setX(double x)	Задает координату X диаграммы. x — новое значение координаты X
void setY(double y)	Задает координату Y диаграммы. y — новое значение координаты Y
void setPos(double x, double y)	Задает новые координаты диаграммы. x — новое значение координаты X y — новое значение координаты Y

Размер

Функция	Описание
double getWidth()	Возвращает ширину диаграммы.
double getHeight()	Возвращает высоту диаграммы.
void setWidth(double w)	Задает новую ширину диаграммы. w — новое значение ширины диаграммы
void setHeight(double h)	Задает новую высоту диаграммы. h — новое значение высоты диаграммы

Видимость

Функция	Описание
boolean isVisible()	Проверяет видимость диаграммы: если диаграмма отображается, то функция возвращает true, если не отображается — то false.
void setVisible(boolean v)	Устанавливает видимость диаграммы. v — видимость: если true — диаграмма будет видимой, если false  — невидимой.

Копирование данных диаграммы в буфер обмена

Функция	Описание
String copyToClipboard()	Копирует все данные диаграммы в системный буфер обмена. Функция возвращает текстовое представление всех данных диаграммы.

Как мы можем улучшить эту статью?

Двумерная гистограмма | Документация AnyLogic

• Свойства
• Функции

Область диаграммыЛегенда диаграммыСетка и метки диаграммыОбновление диаграммДинамическое изменение внешнего вида диаграммыБиблиотека классов — класс Histogram2D

Диаграмма Двумерная гистограмма используется для отображения одной или сразу нескольких двумерных гистограмм. Каждая гистограмма отображается в виде набора закрашенных определенным цветом прямоугольников (ячеек), отражающих значение плотности вероятности в соответствующей точке (X,Y), или вложений («конвертов»). Гистограмма всегда масштабируется автоматически, так, чтобы вместить все добавленные на нее значения. У графика есть коллекция элементов Данные двумерной гистограммы и коллекция связанных с ними описаний внешнего отображения. Также у графика могут быть отображены текстовые метки и сетка.

Двумерная гистограмма

Когда двумерная гистограмма отображает ячейки, цвет каждой ячейки отображает значение плотности вероятности не относительно всей двумерной плоскости значений, а только относительно текущего интервала оси X.

Чтобы добавить двумерную гистограмму

1. Перетащите элемент Двумерная гистограмма из палитры Статистика на графическую диаграмму.
2. В секции свойств Данные выберите элемент данных двумерной гистограммы, который вы хотите отображать на данной гистограмме.
3. В поле Заголовок введите текст, который будет отображаться для этого элемента в легенде гистограммы.
4. Если нужно, измените цвет, которым данный объект сбора данных будет отображаться на гистограмме с помощью элемента управления Цвет.
5. В самой верхней части панели Свойства выберите, как эта двумерная гистограмма должна отображать данные:
   • Если вы хотите отображать гистограмму в виде набора прямоугольников различного цвета (где интенсивность цвета соответствует значению плотности вероятности в данной точке (X,Y)), выберите опцию Отображать ячейки.
   • Если же вы хотите отображать гистограмму в виде вложений, то выберите опцию Отображать вложения.

Чтобы добавить объект сбора данных на двумерную гистограмму

Новая гистограмма уже содержит элемент данных. Если вы хотите добавить еще один элемент данных, выполните следующие шаги:

1. Выделите гистограмму в графическом редакторе или в панели Проекты.
2. Перейдите в секцию Данные панели Свойства.
3. Щелкните по кнопке . При этом откроется новая секция свойств, в которой вы должны будете задать свойства нового объекта данных.
4. Введите имя объекта Данные двумерной гистограммы, который вы хотите отобразить, в поле Данные.

Чтобы удалить объект сбора данных с гистограммы

1. Выделите гистограмму в графическом редакторе или в панели Проекты.
2. Перейдите в секцию Данные панели Свойства.
3. Выделите элемент данных, который вы хотите удалить с данной гистограммы, и щелкните мышью по кнопке внизу секции Данные.

Свойства

Основные

Имя — Имя гистограммы. По этому имени гистограмма будет доступна из кода.

Исключить — Если опция выбрана, то гистограмма будет исключена из модели.

Отображается на верхнем агенте — Если опция выбрана, то гистограмма будет видна на презентации типа агента, в который будет вложен данный агент.

Отображать вложения — Если опция выбрана, то данные на двумерной гистограмме будут отображаться в виде вложений («конвертов»).

Отображать ячейки — Если опция выбрана, то данные на двумерной гистограмме будут отображаться в виде ячеек.

Данные

 — С помощью этой кнопки вы можете добавить новый объект данных гистограммы на гистограмму. Щелкнув по ней, вы откроете новую секцию свойств, в которой вы должны будете задать свойства нового объекта данных:

Заголовок — Заголовок этого объекта данных, который будет отображаться в легенде гистограммы.
Данные — Имя этого объекта данных двумерной гистограммы.
Цвет — Цвет, которым будут отображаться значения этого объекта данных на гистограмме. Щелкните мышью внутри элемента управления и выберите нужный цвет из списка наиболее часто используемых цветов или же выберите любой другой цвет с помощью диалога Цвета.

Чтобы удалить объект данных с гистограммы, щелкните мышью по кнопке внизу этой секции свойств. Используйте кнопки и , чтобы изменять порядок расположения элементов данных.

Обновление данных

Обновлять данные автоматически — Если опция выбрана, то гистограмма будет производить обновление значений отображаемых на ней объектов данных с периодичностью, указанной в поле Период. Так же здесь вы можете выбрать, хотите ли вы Использовать модельное время, чтобы задать Время первого обновления, или вы хотите Использовать календарные даты, чтобы задать Дату обновления.

Не обновлять данные автоматически — Если опция выбрана, то гистограмма не будет самостоятельно производить обновление значений отображаемых на ней объектов данных.

Внешний вид

Метки по оси X — С помощью данного выпадающего списка вы можете задать расположение меток, отображаемых для оси X, относительно области гистограммы (Снизу или Сверху). Если вы не хотите, чтобы у оси X отображались метки, выберите из списка Нет.

Метки по оси Y — С помощью данного выпадающего списка вы можете задать расположение меток, отображаемых для оси Y, относительно области гистограммы (Слева или Справа). Если вы не хотите, чтобы у оси Y отображались метки, выберите из списка Нет.

Цвет фона — Фоновый цвет гистограммы.

Цвет границы — Цвет, которым будет отображаться граница гистограммы.

Цвет меток — Цвет, которым будут отображаться метки по оси Y. Если вы не хотите, чтобы метки были видны, выберите Нет цвета.

Цвет сетки — Цвет, которым будет отображаться сетка гистограммы. Если вы не хотите, чтобы сетка была видна, выберите Нет заливки.

Местоположение и размер

Уровень — Уровень, на котором расположена эта гистограмма.

X — X-координата верхнего левого угла гистограммы.

Y — Y-координата верхнего левого угла гистограммы.

Ширина — Ширина гистограммы (в пикселах).

Высота — Высота гистограммы (в пикселах).

Легенда

Легенда — Если опция выбрана, то у данной гистограммы будет отображаться легенда. Вы можете управлять местоположением легенды относительно области гистограммы с помощью группы кнопок Расположение. Размер области, выделенной под легенду, задается с помощью элемента управления Ширина (или Высота, в зависимости от того, какое задано Расположение легенды). Также вы можете изменить Цвет текста легенды.

Область диаграммы

Свойства, расположенные в секции Область диаграммы, задают визуальные свойства области диаграммы:

Смещение по оси X — Смещение области диаграммы по оси X относительно левой границы всей области, выделенной в графическом редакторе под диаграмму.

Смещение по оси Y — Смещение области диаграммы по оси Y относительно верхней границы всей области, выделенной в графическом редакторе под диаграмму.

Ширина — Ширина области диаграммы (в пикселах).

Высота — Высота области диаграммы (в пикселах).

Цвет фона — Фоновый цвет области диаграммы.

Цвет границы — Цвет, которым будет отображаться граница области диаграммы.

Специфические

Видимость — Видимость гистограммы. Гистограмма будет видна, если заданное здесь выражение будет истинно (true), в противном случае гистограмма отображаться не будет.

Количество — Количество экземпляров данной гистограммы. Если вы оставите это поле пустым, то будет создана только одна такая гистограмма.

Действие при изменении выделения — Код, который будет выполняться, когда пользователь выделит на гистограмме какой-то один (или несколько) элемент(ов) данных. Код будет вызываться как в том случае, если пользователь выделит элементы, щелкнув мышью по их заголовкам в легенде, так и в том случае, если он выделит их программно путем вызова метода selectItem(). Вы можете использовать в этом коде две переменные:

int[] selectedIndices — номера выделенных в текущий момент элементов данных
boolean programmatically — определяет, были ли элементы выделены программно (true) или нет (false)

Отображать имя — Если опция выбрана, то имя фигуры будет отображаться в графическом редакторе.

Функции

Данные гистограммы

Функция	Описание
void addHistogram2D(Histogram2DData hist, String title, Color color)	Добавляет на гистограмму объект данных двумерной гистограммы с заданным по умолчанию внешним видом. hist — объект данных двумерной гистограммы title — заголовок объекта данных color — цвет, соответствующий наибольшей плотности вероятности данных.
int getCount()	Возвращает количество элементов данных, отображаемых этой гистограммой.
ChartItem get(int i)	Возвращает элемент данных двумерной гистограммы с заданным индексом i. i — индекс элемента гистограммы
String getTitle(int i)	Возвращает заголовок элемента данных двумерной гистограммы с заданным индексом i. i — индекс элемента гистограммы
Color getColor(int i)	Возвращает цвет элемента гистограммы (Histogram2DData) с заданным индексом. i — индекс элемента гистограммы
void setColor(int i, Color c)	Задает новый цвет элемента гистограммы (Histogram2DData) с заданным индексом. i — индекс элемента гистограммы c — новый цвет элемента гистограммы
void remove(int i)	Удаляет с гистограммы элемент данных двумерной гистограммы с заданным индексом i. i — индекс элемента гистограммы
int remove(ChartItem ci)	Удаляет заданный элемент данных двумерной гистограммы с гистограммы.
void removeAll()	Удаляет все элементы с гистограммы.

Выделение элементов данных

Функция	Описание
void selectItem(int itemIndex, boolean selected)	Выделяет/снимает выделение (это зависит от значения параметра selected) с элемента гистограммы с заданным индексом. itemIndex — индекс элемента гистограммы selected — если true, то выделяет элемент, если false, то снимает выделение
void setSelectedItemIndices(int[] selectedIndices)	Выделяет элементы гистограммы с заданными индексами. Если ранее были выделены какие-то другие элементы, то это выделение будет снято. selectedIndices — массив индексов элементов гистограмм, которые будут выделены, может быть равен null — тогда выделение будет снято со всех элементов
int[] getSelectedItemIndices()	Возвращает количество элементов гистограммы, выделенных на гистограмме.

Ручное обновление данных гистограммы

Функция	Описание
void updateData()	Обновляет все элементы данных, отображаемые на этой гистограмме.

Местоположение

Функция	Описание
double getX()	Возвращает координату X гистограммы (а именно, ее левого верхнего угла).
double getY()	Возвращает координату Y гистограммы (а именно, ее левого верхнего угла).
void setX(double x)	Задает координату X гистограммы. x — новое значение координаты X
void setY(double y)	Задает координату Y гистограммы. y — новое значение координаты Y
void setPos(double x, double y)	Задает новые координаты гистограммы. x — новое значение координаты X y — новое значение координаты Y

Размер

Функция	Описание
double getWidth()	Возвращает ширину гистограммы.
double getHeight()	Возвращает высоту гистограммы.
void setWidth(double w)	Задает новую ширину гистограммы. w — новое значение ширины гистограммы
void setHeight(double h)	Задает новую высоту гистограммы. h — новое значение высоты гистограммы

Видимость

Функция	Описание
boolean isVisible()	Проверяет видимость гистограммы: если гистограмма отображается, то функция возвращает true, если не отображается — то false.
void setVisible(boolean v)	Устанавливает видимость гистограммы. v — видимость: если true — гистограмма будет видимой, если false — невидимой.

Копирование данных гистограммы в буфер обмена

Функция	Описание
String copyToClipboard()	Копирует все данные гистограммы в системный буфер обмена. Функция возвращает текстовое представление всех данных гистограммы.

Как мы можем улучшить эту статью?

Внутри разума нейронной сети с интерактивным кодом в Tensorflow (гистограмма, активация, внутренние / интегральные градиенты) [ручная задняя опора с TF] | by Jae Duk Seo

GIF с этого веб-сайта

Я давно хотел понять внутреннюю работу своих моделей. И начиная с сегодняшнего дня, я хочу узнать о темах, связанных с этой темой. И в этом посте я хочу осветить три темы: гистограмму весов, визуализацию активации нейронов, внутренние/интегральные градиенты.

Обратите внимание, что этот пост предназначен для моего будущего просмотра этих материалов.

Перед чтением

Исходное видео с TechTalksTV (https://vimeo.com/user72337760) Если возникнут какие-либо проблемы, я удалю видео как можно скорее. Ссылка на исходное видео здесь: https://vimeo.com/238242575

Это видео выходит за рамки этого поста, но оно действительно помогло мне понять внутренний и интегральный градиент, а также общий обзор того, как мы можем понять внутреннюю работу нейронной сети.

Набор данных / Архитектура сети / Точность / Номера классов

Изображение с этого веб-сайта

Красный прямоугольник → Входное изображение (32*32*3)
Черный прямоугольник → Свертка с ELU() с объединением средних или без них
Оранжевый прямоугольник → Softmax для классификации

Как обычно, мы собираемся использовать набор данных CIFAR 10 для обучения нашей полностью сверточной сети и попытаться понять, почему сеть предсказала определенное изображение в своем классе.

И еще одно замечание, так как этот пост больше посвящен знакомству с внутренней работой сети. Я собираюсь использовать только 50 изображений из тестового набора для измерения точности.

Левое изображение → Точность/стоимость во времени для тестового изображения (50 изображений)
Правое изображение → Точность/стоимость во времени для обучающего изображения (50000 изображений)

Как видно выше, модель имела окончательную точность 81 процент, на 7 эпохе. (Если вы хотите получить доступ к полному журналу тренировок, нажмите здесь.) Наконец, давайте посмотрим, что означает каждое число для каждого класса.

Изображение с этого веб-сайта

Гистограмма весов (до/после тренировки)

Гистограмма весов до тренировки

На изображении выше представлена ​​гистограмма весов для каждого слоя, для удобства визуализации я разделил каждую гистограмму на три слоя. В самом левом углу мы видим, что веса обычно имеют среднее значение 0 и значение стандартного отклонения (stddev) от 0,04 до 0,06. И это ожидаемо, поскольку мы объявили каждый слой с разными значениями stddev. Также причина, по которой некоторые кривые меньше других, связана с разным количеством весов на слои. (например, слой 0 имеет только 3 * 3 * 128 весов, а слой 2 имеет вес 3 * 128 * 128.)

Различные значения стандартного отклонения Гистограмма весов после тренировки

Сразу же мы можем наблюдать явную разницу. особенно первые три слоя. Диапазон распределения увеличился с -5 до 5. Однако кажется, что большинство весов находится между -1 и 1 (или близко к нулю). Для слоев с 4 по 6 среднее значение сместилось как а также последние три слоя.

Визуализация значений активации для определенных уровней

Тестовый ввод для сети

Используя технику, реализованную Йосински и его коллегами, давайте визуализируем, как изображение выше изменяется после слоев 3, 6 и 9. (Обратите внимание, я впервые нашел этот метод, используемый Артуром Джулиани в этом сообщении в блоге.)

Активация после слоя 3

Зеленое поле → Каналы, в которых фиксируются зеленые значения
Синее поле → Каналы, в которых фиксируются синие значения

Теперь имеется 128 каналов, поэтому я не буду их все визуализировать. Скорее я визуализирую первые 27 каналов, как показано выше. Мы видим, что после слоя 3 определенные значения цвета захватываются в сети.

Активация для слоя 6

Красное поле → Каналы, где захватываются красные цвета

Однако после шестого слоя некоторые фильтры, кажется, способны улавливать красный цвет лучше, чем зеленый или синий.

Активация после слоя 9

Наконец, после девятого слоя (прямо перед объединением глобальных средних значений) мы можем визуализировать каждый канал с глубиной 1 (поэтому он выглядит как изображение в градациях серого). Однако (по крайней мере, для меня) это не кажется человеческим. Все изображения можно найти здесь, и я создал GIF, в котором собраны все изменения.

Порядок GIF → Входное изображение, активация после слоя 3, активация после слоя 6 и активация после слоя 9

Внутренние градиенты / положительные и отрицательные атрибуты альфа-значения ….
0,01, 0,01, 0,03, 0,04, 0,1, 0,5, 0,6, 0,7, 0,8 и 1,0 (то же, что и исходный ввод), чтобы визуализировать внутреннюю работу сети.

Все изображения выше представляют собой градиент по отношению к входным данным с разными значениями альфа-канала. Мы можем наблюдать, как значение альфа увеличивается, градиенты становятся ближе к 0 (черный цвет) из-за насыщения в сети. Мы можем ясно увидеть разницу в том, как меняются градиенты, когда мы просматриваем все изображения в формате gif.

Однако я смог сделать интересное наблюдение: поскольку значение альфа становится меньше, моя сеть не может делать правильные прогнозы. Как видно ниже, когда значение альфа мало (0,01), сеть предсказывает в основном 3 или 4. (Кошка/Олень)

Красный ящик → Предсказание моделей

Обратите внимание, что точность модели увеличивается. Наконец, давайте взглянем на положительные и отрицательные атрибуты градиента для каждого альфа-значения.

Синий пиксель → Положительные атрибуты, наложенные на исходное изображение
Красный пиксель → Отрицательные атрибуты, наложенные на исходное изображение

Опять же, легче увидеть изменения, если мы создадим GIF из изображений .

Интегральный градиент / Положительные и отрицательные атрибуты

Левое изображение → Интегральный градиент с размером шага 3000 для приближения Римана
Правое изображение → Синий цвет для положительных атрибутов и красный цвет для отрицательных атрибутов

Наконец, когда мы используем Integral Gradient для визуализации градиентов, мы можем наблюдать нечто похожее на то, что показано выше. Один очень интересный факт, который мне удалось найти, заключался в том, как сеть предсказала лошадь (7), собаку (5) и оленя (4).

Давайте сначала посмотрим на исходные изображения, как видно вверху слева, средние изображения — лошади, а правое — овцы.

Когда мы визуализируем интегральный градиент, мы можем увидеть кое-что интересное. Как видно на среднем изображении, сеть считает, что голова лошади является самой важной. Однако когда только сняли голову, в сети подумали, что это изображение собаки. (И это немного похоже на собаку). Аналогичная история с правым изображением, когда в сети учитывалась только голова овцы, она предсказывала, как увидела собаку.

Однако , как видно на крайнем левом изображении, когда сеть принимает общую форму лошади (включая некоторую часть человека), она правильно идентифицирует изображение как лошадь. УДИВИТЕЛЬНЫЙ!

Интерактивный код

Для Google Colab вам потребуется учетная запись Google для просмотра кодов, также вы не можете запускать сценарии только для чтения в Google Colab, поэтому сделайте копию на игровой площадке. Наконец, я никогда не буду просить разрешения на доступ к вашим файлам на Google Диске, только к вашему сведению. Удачного кодирования! Также для прозрачности я загрузил все журналы тренировок на свой гитхаб.

Чтобы получить доступ к коду для этого сообщения, нажмите здесь, для журналов тренировок нажмите здесь.

Заключительные слова

Поскольку эта область все еще растет и развивается, будут появляться новые методы и открытия. (Надеюсь, я тоже могу внести свой вклад в эти выводы.). Наконец, если вы хотите получить доступ к коду от первоначальных авторов статьи « Аксиоматическая атрибуция для Deep Networks », пожалуйста, нажмите здесь.

Если обнаружены какие-либо ошибки, пожалуйста, напишите мне по адресу [email protected], если вы хотите увидеть список всех моих работ, пожалуйста, посетите мой сайт здесь.

Тем временем подписывайтесь на мой твиттер здесь и посетите мой веб-сайт или мой канал на Youtube для получения дополнительной информации. Я также реализовал Wide Residual Networks, нажмите здесь, чтобы просмотреть сообщение в блоге.

Ссылка

1. http://Axiom/definition/theorem/proof. (2018). YouTube. Получено 14 июня 2018 г. с https://www.youtube.com/watch?v=OeC5WuZbNMI
2. axiom — Dictionary Definition. (2018). Словарь.com. Получено 14 июня 2018 г. с https://www.vocabulary.com/dictionary/axiom 9.0153
3. Аксиоматическая атрибуция для глубоких сетей — — Мукунд Сундарараджан, Анкур Тали, Цики Ян. (2017). Видео. Получено 14 июня 2018 г. с https://vimeo.com/238242575
4. набора данных STL-10. (2018). Cs.stanford.edu. Получено 15 июня 2018 г. с https://cs.stanford.edu/~acoates/stl10/
5. Benenson, R. (2018). Результаты классификации наборов данных. Родригоб.github.io. Получено 15 июня 2018 г. с http://rodrigob.github.io/are_we_there_yet/build/classification_datasets_results.html#53544c2d3130 9.0153
6. [дубликат], H. (2018). Как скрыть оси и линии сетки в Matplotlib (python). Переполнение стека. Получено 16 июня 2018 г. с https://stackoverflow.com/questions/45148704/how-to-hide-axes-and-gridlines-in-matplotlib-python
7. VanderPlas, J. (2018). Несколько сюжетов | Справочник по науке о данных Python. Jakevdp.github.io. Получено 16 июня 2018 г. с https://jakevdp.github.io/PythonDataScienceHandbook/04.08-multiple-subplots.html
8. matplotlib.pyplot.subplot — документация по Matplotlib 2.2.2. (2018). Matplotlib.org. Получено 16 июня 2018 г. с https://matplotlib. org/api/_as_gen/matplotlib.pyplot.subplot.html 9.0153
9. матплотлиб, м.в. (2018). более 9 участков в matplotlib. Переполнение стека. Получено 16 июня 2018 г. с https://stackoverflow.com/questions/4158367/more-than-9-subplots-in-matplotlib
10. пример кода pylab_examples: subplots_demo.py — документация Matplotlib 2.0.0. (2018). Matplotlib.org. Получено 16 июня 2018 г. с https://matplotlib.org/2.0.0/examples/pylab_examples/subplots_demo.html
11. matplotlib.pyplot.hist — документация Matplotlib 2.2.2. (2018). Matplotlib.org. Получено 16 июня 2018 г. с https://matplotlib.org/api/_as_gen/matplotlib.pyplot.hist.html 9.0153
12. Python?, I. (2018). Есть ли чистый способ создать диаграмму линейной гистограммы в Python? Переполнение стека. Получено 16 июня 2018 г. с https://stackoverflow.com/questions/27872723/is-there-a-clean-way-to-generate-a-line-histogram-chart-in-python
13. Pyplot Text — Matplotlib 2.2 .2 документация. (2018). Matplotlib.org. Получено 16 июня 2018 г. с https://matplotlib. org/gallery/pyplots/pyplot_text.html#sphx-glr-gallery-pyplots-pyplot-text-py
14. [Google / ICLR 2017 / Paper Summary] Градиенты контрфактуалов. (2018). На пути к науке о данных. Получено 16 июня 2018 г. с https://towardsdatascience.com/google-iclr-2017-paper-summary-gradients-of-counterfactuals-63065109.35f2
15. numpy.transpose — Руководство по NumPy v1.14. (2018). Документы.scipy.org. Получено 16 июня 2018 г. с https://docs.scipy.org/doc/numpy-1.14.0/reference/generated/numpy.transpose.html
16. command, G. (2018). Git добавить и зафиксировать одной командой. Переполнение стека. Получено 16 июня 2018 г. с https://stackoverflow.com/questions/4298960/git-add-and-commit-in-one-command
17. Как разрезать изображение на красный, g. (2018). Как разрезать изображение на красный, зеленый и синий каналы с помощью misc.imread. Переполнение стека. Получено 16 июня 2018 г. с https://stackoverflow.com/questions/3743159.9/как-нарезать-изображение-на-красные-зеленые-и-синие-каналы-с-разным-imread
18. Как установить инструмент командной строки оболочки Bash в Windows 10. (2016). Центральная Windows. Получено 16 июня 2018 г. с https://www.windowscentral.com/how-install-bash-shell-command-line-windows-10
19. Бесплатное руководство по графическому процессору Google Colab — Deep Learning Turkey — Medium. (2018). Середина. Получено 16 июня 2018 г. с https://medium.com/deep-learning-turkey/google-colab-free-gpu-tutorial-e113627b9f5d
20. . Установка — документация imgaug 0.2.5. (2018). Imgaug.readthedocs.io. Получено 16 июня 2018 г. с http://imgaug.readthedocs.io/en/latest/source/installation.html 9.0153
21. numpy.absolute — Руководство по NumPy v1.14. (2018). Документы.scipy.org. Получено 16 июня 2018 г. с https://docs.scipy.org/doc/numpy-1.14.0/reference/generated/numpy.absolute.html
22. numpy.clip — Руководство по NumPy v1.10. (2018). Документы.scipy.org. Получено 16 июня 2018 г. с https://docs.scipy.org/doc/numpy-1.10.0/reference/generated/numpy.clip.html
23. numpy.percentile — Руководство по NumPy v1.14. (2018). Документы.scipy. org. Получено 16 июня 2018 г. с https://docs.scipy.org/doc/numpy/reference/generated/numpy.percentile.html 9.0153
24. Наборы данных CIFAR-10 и CIFAR-100. (2018). Cs.toronto.edu. Получено 16 июня 2018 г. с https://www.cs.toronto.edu/~kriz/cifar.html
25. [ICLR 2015] Стремление к простоте: полностью сверточная сеть с интерактивным кодом [Руководство…. (2018). На пути к науке о данных. Получено 16 июня 2018 г. с https://towardsdatascience.com/iclr-2015-striving-for-simplicity-the-all-convolutional-net-with-interactive-code-manual-b4976e206760
26. EN10/CIFAR. (2018). Гитхаб. Получено 16 июня 2018 г. с https://github.com/EN10/CIFAR 9.0153
27. Аксиоматическая атрибуция для глубоких сетей — — Мукунд Сундарараджан, Анкур Тали, Цики Ян. (2017). Видео. Получено 16 июня 2018 г. с https://vimeo.com/238242575
28. (2018). Arxiv.org. Получено 16 июня 2018 г. с https://arxiv.org/pdf/1506.06579.pdf
29. Сумма Римана. (2018). En.wikipedia.org. Получено 16 июня 2018 г. с https://en. wikipedia.org/wiki/Riemann_sum

Преобразование неконтролируемых данных в контент с помощью гистограмм, согласованных с циклом, генеративных состязательных сетей

• Артикул
• Опубликовано: 16 сентября 2019 г.

• Stephan J. Ihle ¹ ,
• Andreas M. Reichmuth ¹ ,
• Sophie Girardin ¹ ,
• Hana Han ¹ ,
• Flurin Stauffer ¹ ,
• Anne Bonnin ORCID: orcid.org/0000-0001-5537-8682 ² ,
• Marco Stampanoni ² ,
• Karthik Pattisapu ¹ ,
• János Vörös ¹ и
• …
• 4224 и
• …
• 4224 и
• …
• 3.

  Природный машинный интеллект том 1 , страницы 461–470 (2019)Процитировать эту статью

  • 2361 доступов

  • 14 цитирований

  • 13 Альтметрический

  • Сведения о показателях

  Субъекты

  • Вычислительная биология и биоинформатика
  • Обработка изображений
  • Методы обработки изображений
  • Машинное обучение

  Abstract

  Сегментация изображений является общей задачей в широком диапазоне областей исследований. Чтобы справиться со все более сложными изображениями, появились подходы на основе искусственного интеллекта, позволяющие преодолеть недостатки традиционных методов обнаружения признаков. Благодаря тому, что большая часть исследований в области искусственного интеллекта стала общедоступной, а программирование необходимых алгоритмов теперь возможно на многих популярных языках, использование таких подходов становится все более распространенным. Однако эти методы часто требуют данных, помеченных исследователем, чтобы предоставить обучающую цель для алгоритмов, чтобы они сходились к желаемому результату. Эта маркировка во многих случаях является ограничивающим фактором и может занимать непомерно много времени. Вдохновленные способностью циклически согласованных генеративно-состязательных сетей выполнять передачу стиля, мы описываем метод, с помощью которого сгенерированный компьютером набор изображений используется для сегментации истинных изображений. Мы сравниваем наш неконтролируемый подход с современной контролируемой сетью подсчета клеток в наборе данных VGG Cells и показываем, что он не только конкурентоспособен, но и способен точно определять местонахождение отдельных клеток. Мы демонстрируем силу этого метода путем сегментации светлопольных изображений клеточных культур, изображений, полученных при анализе живого/мертвого С . elegans и рентгеновская компьютерная томография металлических сеток из нанопроволоки.

  Это предварительный просмотр содержимого подписки, доступ через ваше учреждение

  Соответствующие статьи

  Статьи открытого доступа со ссылками на эту статью.

  • Многофокусная микроскопия светового поля для высокоскоростной визуализации больших объемов

    • Йи Чжан
    • , Юлин Ван
    •  … Цюнхай Дай

    Фотоникс Открытый доступ 30 ноября 2022 г.

  • Сегментация на основе глубокого обучения микроструктур литий-ионных аккумуляторов, усиленная искусственно созданными электродами

    • Саймон Мюллер
    • , Кристина Заутер
    •  … Ванесса Вуд

    Связь с природой Открытый доступ 27 октября 2021 г.

  • Прогнозирование атрибутов и механических свойств леса из углеродных нанотрубок с использованием смоделированных изображений и глубокого обучения

    • Тахер Хаджилунежад
    • , Рина Бао
    •  … Мэттью Р. Машманн

    npj Вычислительные материалы Открытый доступ 19 августа 2021 г.

  Варианты доступа

  Подписаться на журнал

  Получить полный доступ к журналу на 1 год

  99,00 €

  всего 8,25 € за выпуск

  Подписаться

  Расчет налогов будет завершен во время оформления заказа.

  Купить статью

  Получите ограниченный по времени или полный доступ к статье на ReadCube.

  $32,00

  Купить

  Все цены указаны без учета стоимости.

  Рис. 1: Общая процедура UDCT. Рис. 2: Подсчет клеток в наборе данных VGG. Рис. 3: Подсчет первичных корковых нейронов крысы. Рис. 4: C. elegans сегментация жизнеспособности. Рис. 5: Сегментация серебряных нанопроволок.

  Доступность кода

  Наша тензорная реализация цикла GAN с нашим новым дискриминатором гистограмм, все сценарии генерации синтетических данных, а также сценарии анализа и постобработки доступны по адресу https://github.com/UDCTGAN/UDCT.

  Доступность данных

  Набор данных первичных корковых нейронов в светлом поле с метками достоверности, аннотированный C . Набор данных elegans , набор данных рентгеновской компьютерной томографии серебряных нанопроволок, все обученные сети и скрипты для создания синтетических наборов данных доступны по адресу https://downloads.lbb.ethz.ch.

  Ссылки

  1. ЛеКун Ю., Бенжио Ю. и Хинтон Г. Глубокое обучение. Природа 521 , 436–444 (2015).

     Артикул Google Scholar

  2. Бадринараянан, В., Кендалл, А. и Чиполла, Р. Сегнет: архитектура глубокого сверточного кодера-декодера для сегментации изображений. IEEE Trans. Анальный узор. Мах. Интел. 39 , 2481–2495 (2017).

     Артикул Google Scholar

  3. Чичек О., Абдулкадир А., Линкамп С. С., Брокс Т. и Роннебергер О. 3D u-net: обучение плотной объемной сегментации на основе разреженных аннотаций. В Проц. Международная конференция по обработке медицинских изображений и компьютерному вмешательству (под ред. Урселин С., Йоскович Л., Сабунку М.Р., Уэллс В. и Унал Г.) 424–432 (Springer, 2016).

  4. Фальк, Т. и др. U-net: глубокое обучение для подсчета, обнаружения и морфометрии клеток. Нац. Методы 16 , 67–70 (2018).

     Артикул Google Scholar

  5. Jégou, S., Drozdzal, M., Vazquez, D., Romero, A. & Bengio, Y. Тирамису из ста слоев: полностью сверточные плотные сети для семантической сегментации. В Проц. Конференция по компьютерному зрению и семинарам по распознаванию образов 1175–1183 (IEEE, 2017).

  6. Камаль У. и др. Сегментация области опухоли рака легкого с использованием рекуррентной 3D-DenseUNet. Препринт на https://arXiv.org/abs/1812.01951 (2018).

  7. Конопчинский, Т., Крегер, Т., Чжэн, Л. и Хессер, Дж. Сегментация экземпляров волокон по данным компьютерной томографии низкого разрешения с помощью 3D-обучения с глубоким встраиванием. Препринт на https://arXiv.org/abs/1511.00561 (2019).

  8. Zhu, J.-Y., Park, T., Isola, P. & Efros, A.A. Преобразование непарного изображения в изображение с использованием согласованных по циклу состязательных сетей. В Proc. Международная конференция IEEE по компьютерному зрению 2223–2232 (IEEE, 2017 г.).

  9. Гудфеллоу И. и др. Генеративные состязательные сети. В Proc. Достижения в системах обработки нейронной информации 2672–2680 (NIPS, 2014).

  10. Каррас Т., Лейн С. и Айла Т. Архитектура генератора на основе стилей для генеративно-состязательных сетей. В Проц. Конференция IEEE по компьютерному зрению и распознаванию образов 4401–4410 (IEEE, 2019).

  11. Хейринг, М., Гроссханс, Дж., Вольф, Ф. и Юле, С. Автоматическая сегментация эпителиальной ткани с использованием согласованных с циклом генеративных состязательных сетей. Препринт на https://doi.org/10.1101/311373 (2018 г.).

  12. Zhang, Z., Yang, L. & Zheng, Y. Преобразование и сегментация мультимодальных медицинских томов с помощью генерирующей состязательной сети с согласованностью циклов и форм. В Проц. Конференция по компьютерному зрению и распознаванию образов 9242–9251 (IEEE, 2018).

  13. Xu, Z., Moro, C.F., Bozóky, B. & Zhang, Q. Виртуальное повторное окрашивание на основе GAN: многообещающее решение для анализа всего изображения слайда. Препринт на https://arXiv.org/abs/1901.04059 (2019).

  14. Huo, Y. et al. Обучение на основе состязательного синтеза позволяет проводить сегментацию без истинной истины о целевой модальности. В Proc. 15-й Международный симпозиум по биомедицинской визуализации 1217–1220 (IEEE, 2018).

  15. Чен К., Доу К., Чен Х. и Хенг П.-А. Семантически осведомленные генеративные состязательные сети для неконтролируемой адаптации домена при сегментации рентгенографии грудной клетки. In International Workshop on Machine Learning in Medical Imaging 143–151 (Springer, 2018).

  16. Fu, C. et al. Синтез и сегментация изображений трехмерной флуоресцентной микроскопии. В Proc. Конференция IEEE по компьютерному зрению и семинарам по распознаванию образов 2221–2229 (2018).

  17. Махмуд, Ф. и др. Глубокая состязательная тренировка для сегментации ядер нескольких органов на гистопатологических изображениях. В IEEE Transactions on Medical Imaging (IEEE, 2019).

  18. Лемпицкий В. и Зиссерман А. Набор данных VGG Cell, полученный в результате обучения подсчету объектов на изображениях. В Достижения в системах обработки нейронной информации (NIPS, 2010).

  19. Коэн, Дж. П., Буше, Г., Гластонбери, К. А., Ло, Х. З. и Бенжио, Ю. Счет-восприятие: подсчет с помощью полностью сверточного избыточного подсчета. В Проц. Международная конференция по компьютерному зрению 18–26 (IEEE, 2017).

  20. Moy, T.I. et al. Высокопроизводительный скрининг новых противомикробных препаратов с использованием модели инфекции всего животного. ACS Хим. биол. 4 , 527–533 (2009).

      Артикул Google Scholar

  21. Льоса, В., Сокольницкий, К.Л. и Карпентер, А.Е. Аннотированные наборы изображений высокопроизводительной микроскопии для проверки. Нац. Методы 9, 637 (2012).

      Артикул Google Scholar

  22. Wählby, C. et al. Набор инструментов для анализа изображений для высокопроизводительных анализов C. elegans . Нац. Методы 9, 714 (2012).

      Артикул Google Scholar

  23. Стампанони, М. и др. в Разработки в области рентгеновской томографии V , Vol. 6318, 63180M (Международное общество оптики и фотоники, 2006 г.).

  24. Стампанони, М. и др. Фазово-контрастная томография в наномасштабе с использованием жесткого рентгеновского излучения. Физ. Ред. B 81 , 140105 (2010 г.).

      Артикул Google Scholar

  25. Schindelin, J. et al. Фиджи: платформа с открытым исходным кодом для анализа биологических изображений. Нац. Методы 9, 676 (2012).

      Артикул Google Scholar

  26. Карпентер, А. Э. и др. Cellprofiler: программное обеспечение для анализа изображений для идентификации и количественной оценки клеточных фенотипов. Геном Биол. 7 , 100 рэндов (2006 г.).

      Артикул Google Scholar

  27. Хе К., Чжан Х., Рен С. и Сун Дж. Глубокое остаточное обучение для распознавания изображений. В Proc. Конференция IEEE по компьютерному зрению и распознаванию образов 770–778 (IEEE, 2016).

  28. Ульянов Д., Ведальди А. и Лемпицкий В. Нормализация экземпляра: недостающий ингредиент для быстрой стилизации. Препринт на http://arxiv.org/abs/1607.08022v3 ​​(2017).

  29. Изола, П., Чжу, Дж.-Ю., Чжоу, Т. и Эфрос, А. А. Преобразование изображения в изображение с помощью условных состязательных сетей. В Proc. Конференция IEEE по компьютерному зрению и распознаванию образов 1125–1134 (IEEE, 2017).

  30. Салиманс, Т. и др. Улучшенные методы обучения GAN. В Проц. Достижения в области систем обработки нейронной информации 2234–2242 (NIPS, 016).

  31. Риссер, Э., Уилмот, П. и Барнс, К. Стабильный и контролируемый нейронный синтез текстуры и перенос стиля с использованием потерь гистограммы. Препринт на http://arxiv.org/abs/1701.08893v2 (2017 г.).

  32. Йосински, Дж., Клун, Дж., Бенжио, Ю. и Липсон, Х. Насколько переносимы функции в глубоких нейронных сетях? В Proc. Достижения в области нейронных систем обработки информации 3320–3328 (НИПС, 2014 г.).

  Скачать ссылки

  Благодарности

  Исследование финансировалось ETH Zurich, Швейцарским национальным научным фондом (проект № 165651), Швейцарским центром науки о данных и грантом FreeNovation. Мы также выражаем признательность Институту Пауля Шеррера, Виллиген, Швейцария, за предоставление времени луча синхротронного излучения на линии луча TOMCAT швейцарского источника света и Д. Крюгеру, Э. Конукоглу, С. Стоме, Г. Чучу, А. Дж. Рзеплеле и С. Ф. Нрреликке за проницательные и ценные отзывы о более ранних версиях рукописи.

  Информация об авторе

  Авторы и организации

  1. Лаборатория биосенсоров и биоэлектроники, ETH Zurich и Цюрихский университет, Цюрих, Швейцария

     Stephan J. Ihle, Andreas M. Reichmuth, Sophie Haner, F, HH Hirardin, Картик Паттисапу, Янош Вёрёш и Чаба Форро

  2. Институт Пауля Шеррера, Swiss Light Source, Виллиген, Швейцария

     Анн Боннин и Марко Стампанони

  Авторы

  1. Stephan J. Ihle

     Просмотр публикаций автора

     Вы также можете искать этого автора в PubMed Google Scholar

  2. Andreas M. Reichmuth

     Просмотр публикаций автора

     Вы также можете искать этого автора в PubMed Google Scholar

  3. Sophie Girardin

     Просмотр публикаций автора

     Вы также можете искать этого автора в PubMed Google Академия

  4. Хана Хан

     Посмотреть публикации автора

     Вы также можете искать этого автора в PubMed Google Scholar

  5. Flurin Stauffer

     Просмотр публикаций автора

     Вы также можете искать этого автора в PubMed Google Scholar

  6. Anne Bonnin

     Просмотр публикаций автора

     Вы также можете искать этого автора в PubMed Google Scholar

  7. Марко Стампанони

     Просмотр публикаций автора

     Вы также можете искать этого автора в PubMed Google Scholar

  8. Karthik Pattisapu

     Просмотр публикаций автора

     Вы также можете искать этого автора в PubMed Google Scholar

  9. János Vörös

     Просмотр публикаций автора

     Вы также можете искать этого автора в PubMed Google Scholar

  10. Csaba Forró

      Посмотреть публикации автора

      Вы также можете искать этого автора в PubMed Google Scholar

  Contributions

  S. J.I. и К.Ф. разработал исследовательский проект. С.Дж.И. и К.Ф. внедрил и протестировал код. С. Г. выполнил сбор набора нейронных данных. А.М.Р., Х.Х., Ф.С., А.Б., М.С. и К.Ф. выполнили сбор данных по нанопроволоке. С.Ф. обучила сеть на наборе данных nanowire и cell VGG. С.Дж.И. и К.Ф. обучил сеть на C . elegans и набор данных о мертвых и живых нейронах. С.Дж.И. обучили сеть цветовому кодированию набора данных в реальном времени. С.Дж.И., К.П. и К.Ф. выполнили пред- и постобработку данных. S.J.I., A.M.R., C.F. и SG пометили наборы нейронных данных. А.М.Р., С.Г., Х.Х., А.Б., М.С., К.П. и Дж. В. внесли критический вклад и обсудили. Все соавторы рецензировали статью.

  Авторы переписки

  Переписка с Янош Вёреш или Чаба Форро.

  Декларации этики

  Конкурирующие интересы

  Авторы заявляют об отсутствии конкурирующих интересов.

  Дополнительная информация

  Примечание издателя Springer Nature остается нейтральной в отношении юрисдикционных претензий в опубликованных картах и ​​институциональной принадлежности.

  Дополнительная информация

  Дополнительная информация

  Описание видео, сетевой архитектуры, наборов данных и этапов обработки.

  Дополнительное видео 1

  Влияние фонового шума на формирование синтетического изображения.

  Дополнительное видео 2

  Влияние плотности объекта на формирование синтетического изображения.

  Дополнительное видео 3

  Влияние формы объекта на формирование синтетического изображения.

  Дополнительное видео 4

  Влияние размера объекта на формирование синтетического изображения.

  Права и разрешения

  Перепечатка и разрешения

  Об этой статье

  Эта статья цитируется

  • Многофокусная микроскопия светового поля для высокоскоростной визуализации больших объемов

    • Йи Чжан
    • Юлин Ван
    • Цюнхай Дай

    Фотоникс (2022)

  • Сегментация на основе глубокого обучения микроструктур литий-ионных аккумуляторов, усиленная искусственно созданными электродами

    • Саймон Мюллер
    • Кристина Заутер
    • Ванесса Вуд

    Nature Communications (2021)

  • Прогнозирование атрибутов и механических свойств леса из углеродных нанотрубок с использованием смоделированных изображений и глубокого обучения

    • Тахер Хаджилунежад
    • Рина Бао
    • Мэтью Р.