- 为什么智能手机会导致颈部综合征">为什么智能手机会导致颈部综合征
- 名作失窃可视化">名作失窃可视化
- 世界咖啡顶级生产国">世界咖啡顶级生产国
- 对tensorflow中数据流图的可视分析">对tensorflow中数据流图的可视分析
- Bird Sounds">Bird Sounds
- missingno - Missing data visualization module for Python">missingno - Missing data visualization module for Python
- GoCity">GoCity
- 加餐-乘风破浪的 G6 3.8.0">加餐-乘风破浪的 G6 3.8.0
为什么智能手机会导致颈部综合征
现在,全球手机用户数量超过了 50 亿,这个世界上三分之二的人口都拥有手机。2018 年 1 月,全球有至少 68% 的人在使用手机。预计到 2020 年,这一数字将达到 75%。我们大多数人每天至少要弯腰 2 个小时,这将让我们的颈部承受的重量增加多达 27 千克。如果在走路时使用手机发消息,则可能会带来各种意外事故。
当使用手机的时候,我们的身体姿势是什么样的呢?下图中这个常见的手机使用姿势,将让我们的颈部承受重量增加 5 倍,大概 22 千克。
通过交互,我们可以更清晰地看到不同姿势给我们的颈部带来的压力。
长时间使用这些姿势使用手机,还会给我们的身体带来各种各样意想不到的伤害。2015 年,一项针对 500 名年轻人进行的调查发现,有 90% 的人每天至少花 3.5 个小时在手机上,平均每天收到 221 条消息。不得不说,我们一定要有节制地使用手机。
by @珂甫(pddpd)
名作失窃可视化
联邦调查局的数据库全球数据库包含7,200多种失窃的名作,包括斯特拉迪瓦里小提琴、卡尔德手机、蒂法尼灯、小丑画等。
该可视化中,蓝色的是画作,绿色是照片或印刷品,红色是雕塑,黄色是纺织品,黑色是家具或瓷器,灰色是其它。每个名作还用了不同的图形大致表达物品。
by @十吾(shiwu-5wap2)
世界咖啡顶级生产国
咖啡主要栽种在热带、亚热带地区(又被称为"咖啡带"),世界上咖啡生产国有60多个,绝大部分位于南北回归线之间。
商业种植的咖啡豆主要有两种:阿拉伯咖啡(占世界咖啡的70%)和罗布斯塔(Robusta),后者的价格便宜且易于种植。
Swagat Kumar Jena 使用tableau制作的信息可视化作品展示了不同年代和咖啡豆种类下的Top-5 ☕️顶级生产国.
by @顾己(esora)
对tensorflow中数据流图的可视分析
Tensorflow 是谷歌开发的当下最流行的机器学习软件之一。它采用数据流图(Dataflow Graph)来表达机器学习算法的计算过程,用户可以定制不同的数据流图来构建自己的算法。然而,随着深度学习的兴起与流行,各类神经网络渐趋大规模、复杂化,算法开发者仅凭借自身的理解与记忆,很难把握算法的各部分体系结构,相互之间也难以进行沟通。为此,这篇文章提出了可视化工具 TensorFlow Graph Visualizer,通过可视分析帮助用户在 TensorFlow 中进行算法分析与开发。该文章荣获了 IEEE VAST 2017 的最佳论文奖。
TensorFlow 中的数据流图
数据流图是 TensorFlow 中最重要的也是最基础的概念,它将数据看作流,将数据处理算法看作节点,从而任意一种复杂算法都能够用一张图来表示。而 TensorFlow 使用张量来表示所有类型的数据,相应的数据流图便称为 TensorFlow Graph。
在 TensorFlow Graph 中,有三种类型的节点和边,如下图所示。
三种节点包括:数据操作(Operation)、数据赋值(Initializer)、日志记录(Log)。
三种边包括:数据值(Value)、数据索引(Reference)、算法依赖关系(Control)。
力导向布局
在进一步设计之前,作者利用力导向布局算法对数据流图进行了直接的可视化,但效果并不理想。
究其原因,主要有以下两点:
- 图中存在大量负责日志记录的“中介节点”,将许多原本不相干的子图紧密联系在一起;
- 图布局缺乏层级结构。
TensorFlow Graph Visualizer
针对直接图布局的各个缺点,文章作者提出了 TensorFlow Graph Visualizer,对数据流图进行结构与布局上的优化:
- 去除冗余节点
- 建立层级结构
- 提取辅助节点
经过以上的优化,使用 TensorFlow Graph Visualizer 展现卷积神经网络 LeNet-5 模型的算法结构,如下图所示:
总结
这篇文章针对 TensorFlow 中纷繁复杂的数据流图,从不同方面进行了优化,并向开发者提供了一个结构清晰、细节充分的层次化算法视图,大大提高了用户在 TensorFlow 中设计、实现、调试深度学习算法的效率。不同于其他基于神经网络结构或是训练优化过程的可视化方法,该方法借助数据流图强大的表达能力,能够从顶层概念到实现细节等多个层面来表现深度学习算法,其思路值得我们借鉴和学习。
Bird Sounds
该项目为 Google Experiments 的一部分。将上万种鸟类的叫声根据声纹进行归类并可视化。用户可以在这个项目主页中点击声纹图片播放对应鸟叫声。
用户可以根据鸟类品种进行检索,从而比较同类叫声的异同。
by @缨缨(yingying-58bma)
missingno - Missing data visualization module for Python
可视化显示数据集中缺失数据的信息的python库,包括矩阵、柱图、热力图、树图。
其中热力图和树图还可以展示数据集中变量存在的相关性。
最多配置50个标记的变量,树图通过简单地翻转到水平配置,可以更优雅地处理非常大的数据集。
by @羽熙
GoCity
GoCity 是一款基于定位的城市建造类游戏,其中使用了大量 Mapbox 提供的数据格式以及成熟的数学库:
- 使用 Mapbox 的矢量瓦片进行数据传输。
- 为了保证在 iPhone 5S 上也能流畅运行,使用了 Mapbox 提供的 earcut.hpp 进行多边形的三角化(L7 中使用的是它的 JS 版本)。
- 使用 Mapbox 提供的 wagyu 进行地理相交操作。
- 在开发模式下,使用 Mapbox Studio 进行 POI 数据集的调试。这一点大大减少了团队研发配套工具的时间。
加餐-乘风破浪的 G6 3.8.0
G6 3.8.0 版本有什么新鲜黑科技?G6 交互式文档 GraphMaker 和可播放的 TimeBar 绝对是最大看点。此外,我们还有边滤镜、可配置的 FishEye、更强大的 JSX 节点定义方案、性能优化及功能完善。每一个或大或小的更新,我们用心为您准备。关注 AntV G6 以免错过任何好玩的特性哦。