作者：射命丸咲 Python 与 机器学习 爱好者
========== 写在前面的话 ==========
本章我尝试了一种新的叙述方式：把细节都放在了这个 repo (https://github.com/carefree0910/MLPractices)中，这意味着我不会在这里给出具体的代码；同时我设计了一些练习并提供了参考答案（有点像 cs231n 的 assignment 那种形式），所以如果观众老爷们想了解实现细节的话、是需要下载（或者 fork）这个 repo 并使用某个 IDE（比如 PyCharm）来进行相关实验的……
如果觉得这些都无所谓并愿意看的话，我会觉得很开心的 _(:з」∠)_
另外如果觉得这个形式不好或者没有必要的话也请尽情指出，毕竟这种形式对我而言其实超累的，要进行各种抽象 _(:з」∠)_
========== 分割线的说 ==========
正如上一章所说，这一部分我是受了 Tensorflow Playground 的启发后做出来的。它可能称不上很实用，但个人认为它能帮助我们理解神经网络（NN）并让我们熟悉 cv2 的基本操作
本章会使用我个人用 Numpy 写的 NN 框架进行实验，但即使对其完全不了解也不会对食用本文造成困难；不过如果有观众老爷确实想了解的话，可以参见这里 (http://www.carefree0910.com/posts/d94622d/) ( σ'ω')σ
先展示一下结果（动图也可以猛戳这里(https://raw.githubusercontent.com/carefree0910/Resources/641e8228/NN.gif)观看）：
然后理一下我们要做的事：
该可视化是针对二维数据进行的，但类别数可以任意多
把每一层每个神经元在二维平面上的激活情况展示出来；具体而言，应该将小于激活均值的部分用蓝色填充、其余部分用橙色填充
把神经元之间的边按照如下规则画出：
取出层与层之间权值矩阵
中绝对值最大的元素m把
中绝对值小于0.2m的元素所对应的边隐藏，这主要是为了防止图显得太乱（0.2 是我随意取的一个阈值，完全可以按需求把它换成其它数）若一条边对应的权值绝对值越大、则该边应该越粗
若一条边对应的权值为负、则该边应为蓝色，否则应为橙色
支持将动画保存下来（需要 imageio 库来导出 mp4、需要 FFmpeg 来转成 gif）
看上去似乎很复杂的样子，但又正如上一章所说，我们只需要四个最基本的元素：字、线、圆、方就行，所以真的实现起来就会发现并不困难。为了让观众老爷们更有实感，我努力做了一些抽象并设计了一些练习，观众老爷可以尝试把相应部分进行实现并在自己的电脑上跑跑效果。repo（可能会持续更新）可以在这里下载（或者 fork）到，下面就说下怎么利用这个 repo
在这个 repo 的 NN/Practices/NNVis.py 中有本章所有需要补完的代码，参考答案则都可以在 NN/Answers/NNVis.py 中找到，测试则可以在 NN/Tests/NNVis.py 中进行；为了更有条理，我把任务分成了四份：
获取每条线的颜色（对应于 get_colors 函数）
获取每条线的粗细（对应于 get_line_info 函数）
画出整张 NN 的可视化图（对应于 draw_detail_network 函数），这部分的任务又分为了三份：画个圈、写个字、连条线（……）
把 cv2 默认的 BGR 图像转换成 imageio 需要的 RGB 图像（对应于 bgr2rgb 函数）
其中第三点的实现有些绕，这里稍微说明一下。首先要明确 draw_detail_network 函数接收的主要参数是什么：
原始二维数据集的最小、最大值（它们能帮助我们定出可视化的范围）
NN 中的各个 Layer（它们能通过 shape 属性告诉我们每一层的神经元个数）
NN 中的各个权值矩阵（线的颜色、粗细都是根据权值来定出的）
获取各层激活值的方法（从而能获得各个神经元的激活情况）
有了这些之后，我们只需：
根据激活值获取 Neuron graphs，所谓 Neuron graph 就是上图中那一个个小正方形，Neuron graphs 就是装这些小正方形的数组
根据 Neuron graphs 渲染 Canvas、亦即就是把每个 Neuron graph 放到 Canvas 上合适的地方
在把 Neuron graph（那些小正方形）画好之后，只需再进行如下三步即可完成可视化：
把最上面代表输入的两个圈画出来
把每个 Layer 的名字放在左边
用合适的线把 Neuron graph 连起来
整个流程不难但繁，详情可参见 repo
希望观众老爷们能够喜欢~
公众号后台回复关键词学习
回复 人工智能 揭开人工智能的神秘面纱
回复 贝叶斯算法 贝叶斯算法与新闻分类
回复 机器学习 R&Python机器学习
回复 阿里数据 阿里数据系列课程
回复 Python Python机器学习案例实战
回复 Spark 征服Spark第一季
回复 kaggle 机器学习kaggle案例
回复 大数据 大数据系列视频
回复 数据分析 数据分析人员的转型
回复 数据挖掘 数据挖掘与人工智能
回复 机器学习 R&Python机器学习
回复 阿里数据 阿里数据系列课程
回复 R R&Python机器学习入门
