Redes neuronales transparentes: Model Explorer permite echar un vistazo dentro de la "caja negra" de la IA

Redes neuronales transparentes: Model Explorer permite echar un vistazo dentro de la "caja negra" de la IA

Новый инструмент Google визуализирует нейросети и увеличивает производительность разработчиков.

image

Google ha presentado una nueva herramienta para la visualización de grafos de aprendizaje automático llamada Model Explorer, que permite explorar, depurar y optimizar modelos de ML visualizándolos en un formato jerárquico intuitivo.

La visualización de grafos desempeña un papel clave en el proceso de desarrollo de modelos. Ayuda a encontrar y corregir errores de conversión y cuantificación, identificar cuellos de botella en el rendimiento, encontrar patrones para la optimización y comprender mejor la arquitectura del modelo. Estas funciones son especialmente útiles al desplegar modelos en dispositivos con recursos limitados, como dispositivos móviles.

Sin embargo, el aumento de la escala y complejidad de los modelos modernos, como Transformers y Diffusers, crea desafíos significativos para las herramientas de visualización existentes. Los grandes modelos Transformer a menudo sobrecargan los visualizadores tradicionales, lo que provoca fallos en la visualización o una complejidad excesiva.

Model Explorer está diseñado para resolver estos problemas. La herramienta puede visualizar grandes modelos y proporcionar información jerárquica, como nombres de funciones y ámbitos.

Model Explorer admite varios formatos de grafos, incluidos los utilizados en JAX, PyTorch, TensorFlow y TensorFlow Lite. Inicialmente desarrollado para investigadores e ingenieros de Google, Model Explorer ahora está disponible dentro de la línea de productos Google AI Edge.

Model Explorer es especialmente útil al desplegar grandes modelos en dispositivos donde la visualización de datos sobre conversión, cuantificación y optimización es crucial. La herramienta combina técnicas gráficas utilizadas en la producción de juegos 3D y animación, adaptándolas para la visualización de grafos. Esto permite comprender la arquitectura del modelo, depurar errores de conversión y problemas de rendimiento.

El renderizado acelerado por GPU basado en WebGL y three.js asegura un funcionamiento fluido a 60 FPS, creando un movimiento e interacción realistas incluso con grafos que contienen decenas de miles de nodos. La herramienta también utiliza la técnica de instancing para mostrar múltiples copias de objetos en diferentes lugares de la escena al mismo tiempo. Un ejemplo con un grafo de 50,000 nodos y 5,000 aristas demuestra la fluidez del funcionamiento en un MacBook Pro de 2019 con gráficos integrados.

Para la depuración de errores de conversión, Model Explorer ofrece un modo de comparación de grafos "lado a lado", que permite encontrar errores de conversión comparando formas y tipos de datos de las entradas y salidas de las capas.

Otra función importante de Model Explorer es la capacidad de superponer datos en los nodos del grafo, lo que permite clasificar, buscar y estilizar nodos en función de estos datos. En combinación con la vista jerárquica, los usuarios pueden localizar rápidamente problemas de rendimiento o errores numéricos en una área específica del grafo.

Model Explorer ofrece una nueva forma poderosa de analizar la arquitectura y depurar modelos de cualquier tamaño sin sacrificar la experiencia del usuario y el rendimiento de renderizado. La herramienta proporciona una visión clara de la estructura del modelo, mejora la comprensión mediante capas y agrupaciones, e incluye funciones de depuración e información para apoyar el análisis de modelos.

Las huellas digitales son tu debilidad, y los hackers lo saben

¡Suscríbete y descubre cómo borrarlas!