رسم معماری شبکه عصبی با هوش مصنوعی
از روی فایل مدل PyTorch یک نقشه قابل ویرایش در Excalidraw بگیرید. میتونید اتصالها رو کلی ببینید یا برای یک بررسی فنی جزییات لایهها رو بخواید.
رسم معماری شبکه عصبی با هوش مصنوعی کمک میکنه موقع توضیح یک مدل، به جای دنبال کردن چند کلاس در کد، ترتیب بلوکها رو روی یک صفحه ببینید. اسکیل nn2excalidraw از تعریف مدل در PyTorch یک فایل قابل ویرایش برای Excalidraw میسازه. میتونید در جلسه گروهی از نمای کلی شروع کنید و وقتی کسی درباره یک لایه پرسید، سراغ جزییات برید.
برای شروع فقط فایل پایتون مدل و اسم کلاسی که کل شبکه رو تعریف میکنه کافیه. اگه ابعاد واقعی ورودی رو میدونید، اون رو هم بدید. وقتی عددی در دسترس نیست، نمودار میتونه ترتیب لایهها و ویژگیهایی رو که از کد مشخصه نشون بده. تحلیل ایستا تعریف مدل رو میخونه و برای کشیدن این نما لازم نیست کد مدلتون اجرا بشه.
کاربردها
- نمودار مدل PyTorch رو برای مرور تیمی از روی همون نسخه کدی بگیرید که دارید بررسی میکنید.
- یک نقشه لایهها با جزییات بیشتر بگیرید تا ترتیب عملیات رو روی کاغذ توضیح بدید.
- مسیر یک اتصال میانبر رو از ورودی تا نقطه جمع شدن با مسیر اصلی دنبال کنید.
- جهت نمودار رو از چپ به راست یا از بالا به پایین انتخاب کنید تا در صفحه جا بشه.
- برای نگه داشتن نمودار در Obsidian خروجی مناسب افزونه Excalidraw رو انتخاب کنید.
نصب و استفاده
- اسکیل و ابزار پایتون nn2excalidraw رو طبق راهنمای نصب خود ابزار برای ایجنتتون آماده کنید. برای حالت ایستا به کارت گرافیک یا وزنهای آموزشدیده نیاز ندارید.
- مثلا بگید «از این فایل مدل یک نمای کلی بسازید، اتصالهای میانبر رو نگه دارید و فقط کد رو در حالت ایستا بخونید».
- فایل رو در Excalidraw باز کنید. نام کلاس، مسیرها و تعداد اتصالهای مورد انتظارتون رو قبل از گذاشتن نقشه در گزارش بررسی کنید.
سوالات متداول
منبع
ساخته bot66. نام اصلی: nn2excalidraw، منتشرشده در GitHub با مجوز MIT.
مشاهده در GitHub