教程 | TensorEditor ：一个小白都能快速玩转的神经网络搭建工具

原标题：教程 | TensorEditor ：一个小白都能快速玩转的神经网络搭建工具机器之心整理参与：思源近日，机器之心发现一个非常有意思的工具，可以用可视化的方式轻松添加卷积层、全连接层和池化层等层级，然后生成可执行的 TensorFlow 代码。此外，我们也尝试搭建一个简单的卷积架构，并在本地 TensorFlow 环境下测试生成的代码。工具地址：https://www.tensoreditor.com/TensorEditor 是一个强大的机器学习工具，甚至小白都能以可视化的方式快速生成整个模型的代码。通过 TensorEditor，小白可以连接卷积层、全连接层和池化层等可视化结点创建整个模型，且我们可以将它们转化为 TensorFlow 和 Python 代码，并进一步在自己的环境中运行。基本上，TensorEditor 的步骤即定义我们的数据集、图像或特征，然后创建深度神经网络并下载 Python 2.7 的代码，最后就需要在我们自己的 TensorFLow 环境下运行就好了。通过 TensorEditor，我们不仅可以创建深度网络并避免一些常见的代码问题，同时还能生成基于 TensorFlow Estimator 的高效代码。如下所示，机器之心尝试构建了一个简单的卷积网络，我们使用了两个卷积层、两个池化层和一个全连接层，并在最后的 Estimator 使用了交叉熵损失函数和 Adagrad 最优化方法。上述简单搭建的卷积网络同样可以生成完全可执行的代码，这样可以避免大量的一般代码问题与重复性工作。TensorEditor 主要有以下特点：90 秒的 MNIST 教程在上面的视频中，开发者展示了如何使用 TensorEditor 在 90 秒内快速搭建一个可用于 MNIST 手写数字识别的简单网络。对于 TensorEditor 这种构建序贯 CNN 模型的简单工具，我们只需要准备两件事就能开始搭建模型模型：TensorEditor 接受 CSV 格式的特征数据集或具有 CSV 标签的图像数据集作为数据输入，并且需要训练和测试/评估两个 CSV 文件。当我们从上面的链接下载数据集并提取图像数据时，我们会有两个 CSV 文件和两个包含所有图像的文件夹（测试和训练）。现在我们就可以在 TensorEditor 中创建将要用于手写数字识别的卷积网络架构，下面展示的架构和 TensorFlow 文档中保持一致。我们只需要按步骤先添加一个输入 csv 数据集模块，并设置 train.csv 和 test.csv 的地址。然后依次添加上述的卷积和全连接等模块，并设置好对应的参数，如卷积核大小、卷积核数量和激活函数等。最后主需要添加 Estimator 模块，并设置损失函数、最优化方法和学习率等配置就能完成架构上的搭建。如下所示为使用可视化方法搭建的架构：最后上面的网络就能生成对应的代码，我们可直接复制到本地代码编辑器中并执行：本文为机器之心整理，转载请联系本公众号获得授权。