深度学习近年来发展迅速,应用广泛,并且取得了许多显著的成果。在这种背景下,从事深度学习研究的研究人员也越来越多,但是大部分研究人员面临调优模型困难的问题。模型的调优主要分成网络结构的调整和训练超参数的调整两部分,每一种调整的可能性都非常多。通常情况下,开发人员根据以往调优经验进行调优,并进行了大量的尝试性调整。当数据规模较大、网络模型较深时,每一次训练都要消耗大量的时间。因此,找到一种有效的优化模型的方法十分重要。卷积神经网络是深度学习的一个重要分支,同样也面临调优困难的问题。针对这一问题,论文提出一种可视化辅助调优卷积神经网络模型的方法。可视化的主要对象是中间层输出和参数,实现了二维或四维数据维度下的不同可视化方法。对于二维数据,采用热力图渲染的方式进行可视化;对于四维数据,沿某两个维度切片,形成图像矩阵后进行可视化。具体的实现方法,与数据是输出还是参数有关。论文采用余弦距离度量某个维度上不同数据的相似度,并结合层次聚类法,用层次聚类树绘制出结果,帮助人们更加直观的分析模型。此外,通过对数据整体或者沿某个维度分别进行核密度估计分析,绘制其概率密度分布图,可间接分析模型的效果。通过可视化得到的结果,定位导致模型故障的网络层或神经元,并给出合适的调优建议。论文通过实验验证了所提出的方法可以降低研究人员在模型调优时的盲目性,提高开发效率。