4月14日，非营利人工智能研究组织Open AI推出神经元可视化库Microscope，有助于提升AI研究者对神经网络的理解。
现代神经网络由成千上万的神经元组成，神经活动就是神经元间的相互协作过程。解释神经元间的相互作用一直是AI研究者的一大目标。
Microscope神经元可视化库基于8个常用或重要的视觉神经网络，收集了其中每一个重要的层级和神经元，使分析神经网络的内部特征更加容易。
如同在实验室中用显微镜能更清晰地观察到细节，它也能使AI研究者更好地理解有成千上万个神经元的神经网络的结构和行为。
一、连接8大神经网络，可视化呈现神经元
8个神经网络分别是：AlexNet（2012年ImageNet挑战赛冠军），AlexNet（Places），Inception v1（又称GoogleNet，2014年ImageNet挑战赛冠军），Inception v1（Places），VGG 19，Inception v3，Inception v4，ResNet v2 50。每个神经网络中都有许多图像，在创作共用授权条款下，可以在OpenAI lucid程序库中重复使用。
Microscope模型把神经网络层当作“节点（node）”，“节点”通过“边（edge）”相互连接。每个op包含数百个“单元（unit）”，大致类似于神经元。通过特征可视化、深度梦境、数据集示例、合成调整曲线等技术实现可视化效果。
研究人员称随着时间发展，图像可能会更多。但他们也指出，使用的大多数技术只有在特定情况下才有用。比如，特征可视化只能指向“单元”，但不能指向其“父节点”。
▲神经元视觉化呈现
二、快速反馈，易于理解，能倒推出神经活动
研究人员基于已有的神经网络，连接所有的神经网络层和神经元，搭建出了Microscope。
这种方法有几大优势：
首先，Microscope将探索神经元的反馈时间从分钟级缩短为秒级。在发现一些未知特性时，这种快速反馈回路必不可少，比如可以帮助研究人员发现神经活动中的高-低频探测器。
其次，建立可连接的模型和神经元使研究人员既可以立即进行查阅，也可以进行更长远的研究。当研究人员在不同机构工作时，也不会对模型和神经元产生混淆。
另外，Microscope具有可访问性。相比于其他模型，它需要的访问计算量更少。但是，Microscope仍然需要几百个GPU小时，研究人员称希望能保持它的高度可理解性。
根据OpenAI 14日发表的博文，Microscope可以通过理解神经元间的联系，倒推实现神经元间的协作。
OpenAI认为，Microscope可以为那些有兴趣探索神经网络如何工作的人提供便利，但其更重要的价值在于提供长期的、共享的神经元可视化库来促进对这些模型的长期研究。
“我们也希望神经科学等相近学科的研究人员能够从中获益，可以更容易地理解这些视觉模型的内部工作。”研究人员表示。
结语：神经网络可视化是热点，未来或有更多进步
除了Microscope以外，近年来也有其他致力于使机器学习模型的活动可视化的研究。
比如，去年秋天脸书推出了Captum，可以用可视化手段理解机器学习模型所作的决策。2019年3月，OpenAI和谷歌发布了一项使机器学习算法决策可视化的开源技术。后来，谷歌又在2019年10月份发布了TensorBoard.dev，可以使机器学习模型的训练过程可视化。
通过各家公司的不断钻研，神经网络可视化技术将在未来继续进步，让我们拭目以待。