可视化和验证
可视化神经网络行为,解释预测,使用序列图和表格数据和验证的鲁棒性
可视化深网络培训期间和之后。使用内置的网络监控培训进展准确性和损失。调查培训网络,您可以使用诸如Grad-CAM可视化技术。
使用深度学习验证方法来评估深层神经网络的性质。例如,您可以验证网络的鲁棒性性能,计算网络输出范围,并找到对抗的例子。
应用程序
| 深层网络设计师 | 设计、可视化和火车深度学习网络 |
功能
属性
| ConfusionMatrixChart属性 | 混淆矩阵图表外观和行为 |
| ROCCurve属性 | 接受者操作特征(ROC)曲线的外观和行为 |
主题
可解释性
- 可视化LSTM网络的激活
这个例子展示了如何调查和可视化功能学LSTM网络提取激活。 - 使用Grad-CAM解释深度学习时间序列分类
这个例子展示了如何使用gradient-weighted类激活映射(Grad-CAM)技术理解的分类决策时间序列数据的一维卷积神经网络训练。 - 视图使用tsne网络行为
这个例子展示了如何使用tsne功能视图激活一个训练网络。 - 深度学习在MATLAB
发现在MATLAB的深度学习能力®利用卷积神经网络分类和回归,包括pretrained网络和学习,转移和培训在gpu, cpu,集群和云。 - 深度学习技巧和窍门
学习如何提高深度学习网络的准确性。
培训进度和绩效
- 监测深度学习培训的进展
这个例子展示了如何监测深度学习网络的训练过程。 - 监控定制培训循环的进展
定制培训循环进展跟踪和阴谋。 - ROC曲线和性能指标
使用rocmetrics检查分类算法的性能测试数据集。
