nn3d

Sinir aglarini tarayicida canli 3D olarak izle. Egitim sirasinda her katmanin aktivasyonu ve her baglantinin agirligi gercek zamanli akar.

import nn3d

nn3d.show(model)                                       # tarayici acilir
model.fit(X, y, callbacks=[nn3d.Monitor(X[:1])])       # egitim canli akar

Notebook'ta calisiyorsan baska hicbir sey gerekmez. Duz bir .py betiginde betik bitince surec de biter; sonuna nn3d.wait() ekle.

Kurulum

pip install -e .

Kullanmak icin Node.js gerekmez — 3D cizici derlenmis halde paketin icinde gelir. Node yalnizca ciziciyi degistirmek istersen lazim (asagi bak).

Ne gorursun

• Katman kartlari — ad, noron/kanal sayisi, tensor sekli, [ReLU] gibi aktivasyon
• Noronlar — parlaklik ve buyukluk o anki aktivasyonu gosterir
• Baglantilar — turkuaz pozitif, kizil negatif agirlik; parlaklik |agirlik| × kaynak aktivasyonu
• Giris/cikis etiketleri — ozellik adlarin ("Hunger Level", "Fox Distance") aktivasyona gore renklenir
• Fare ile uzerine gel — o noronun butun baglantilari altin sariya doner, gerisi soner
• Metrikler — loss, accuracy, val_loss… sag ustte canli

API

nn3d.show(model, ...)

Modeli cizer ve tarayiciyi acar. View dondurur.

nn3d.Monitor(sample, every=20, ...)

Keras callback'i. model.fit(callbacks=[...]) icine koy.

every her N batch'te bir kare gonderir. Her batch'te ekstra ileri yayilim yapmak egitimi olculebilir sekilde yavaslatir; 20 akici gorunur ve maliyeti ihmal edilebilir.

View.update(x, metrics=..., epoch=...)

Kendi dongunu yaziyorsan (RL, ozel egitim adimi) kareyi elle gonder.

Sanallastirma — ekranda gordugun gercek mi?

Evet, ama hepsi degil. Dense(3072) katmanini 3072 nokta cizmek hem okunmaz hem de onceki katmanla arasinda 2.3 milyon kenar demektir; tarayici kilitlenir.

Bu yuzden her katmandan esit araliklarla max_neurons kadar temsilci noron secilir; aktivasyonlar ve agirliklar ayni indislere gore kirpilir. Yani ekrandaki her nokta ve her cizgi gercek bir noron/agirliktir — uydurma yok, sadece bir alt kume. Bir noronun uzerine geldiginde ipucu kutusu gercek noron numarasini yazar (noron 1847 / 3072), boylece hangi alt kumeye baktigini bilirsin.

Desteklenen katmanlar (Keras 3)

Dense · Conv1D/2D/3D · Conv2DTranspose · SeparableConv2D · LSTM · GRU · SimpleRNN · Flatten · Reshape · Dropout · BatchNormalization · LayerNormalization · MaxPooling* · AveragePooling* · Activation · LeakyReLU · ReLU · Softmax · Embedding

Agirliklar gorsellestirme icin (giris_birimi, cikis_birimi) matrisine indirgenir: konvolusyon cekirdekleri uzamsal eksenler uzerinde toplanir, LSTM/GRU kapilari ortalanir. Amac sayisal dogruluk degil, baglantinin isareti ve siddeti.

Mimari

Keras modeli ──build_graph()──▶ graph.json ──┐
                                              ├─▶ stdlib HTTP + SSE ──▶ Three.js cizici
ActivationTap.read(x) ──────▶ kare (base64 f32) ┘         (:8092)          (tarayici)

• Sifir bagimlilik. Sunucu tamamen Python standart kutuphanesi. Akis icin WebSocket yerine SSE kullaniliyor: akis tek yonlu (Python → tarayici), SSE tam bunun icin var, http.server ile calisir ve baglanti koptugunda kendi kendine yeniden baglanir. WebSocket ya harici bir paket ya da el yazmasi handshake isterdi; ikisi de "pip install nn3d yeter" hedefini bozardi.
• Cizici modeli bilmez, sadece src/nn3d/schema.py'deki semayi bilir. Bu yuzden ayni kod hem 10 noronluk bir oyun ajanini hem 12 blokluk bir transformer'i cizer. Baska bir cerceve (PyTorch, Unity, JS oyun) eklemek icin yeni bir cizici degil, sadece yeni bir adapter yazmak yeterli.
• Tek geometri. Butun kenarlar tek bir LineSegments, butun noronlar tek bir Points. Her karede yalnizca renk tamponu guncellenir; geometri hic degismez.

Ciziciyi degistirmek

cd viewer
npm install
npm run dev      # canli gelistirme (once Python sunucusunu ayri calistir)
npm run build    # src/nn3d/static/index.html icine derler

Derlenmis cikti pakete dahildir, bu yuzden npm run build ciktisini da commit'lemek gerekir.

Ornekler

PYTHONPATH=src python examples/churn_canli.py