调优

参数设置与卷积神经网络训练

学习如何设置卷积神经网络的训练参数。

从检查点网络恢复培训

这个示例演示了如何在训练深度学习网络时保存检查点网络，并从先前保存的网络中恢复训练。

使用贝叶斯优化的深度学习

这个例子展示了如何将贝叶斯优化应用于深度学习，并为卷积神经网络找到最优的网络超参数和训练选项。

并行培养深度学习网络

此示例演示如何在本地机器上运行多个深度学习实验。

使用自定义训练循环训练网络

这个例子展示了如何训练一个网络，用一个定制的学习速率计划来分类手写数字。

深度学习技巧

了解如何提高深度学习网络的准确性。

实验

创建一个深度学习的分类实验

这个例子展示了如何通过使用实验管理器.

为回归创建一个深入的学习实验

这个例子展示了如何使用使用训练一个深度学习网络进行回归实验管理器.

使用实验管理器并行训练网络

这个例子展示了如何使用实验管理器.

使用度量函数评价深度学习实验

此示例演示如何使用度量函数来评估实验结果。

用贝叶斯优化方法调整实验参数

这个例子展示了如何使用贝叶斯优化实验管理器为卷积神经网络寻找最优的网络超参数和训练选项。

尝试使用多个预训练网络进行迁移学习

此示例演示如何配置一个实验，替换不同预训练网络的层，以进行迁移学习。

用权值初始化器进行迁移学习的实验

此示例演示如何配置一个实验，该实验使用不同的权重初始化器初始化卷积层和完全连接层的权重进行训练。

形象化

使用深度学习对网络摄像头图像进行分类

这个例子展示了如何使用预训练的深度卷积神经网络GoogLeNet对网络摄像头中的图像进行实时分类。

监控深度学习培训进度

当你训练网络进行深度学习时，监控训练进度通常是有用的。

Grad CAM揭示了深度学习决策背后的原因

这个例子展示了如何使用梯度加权类激活映射（Grad-CAM）技术来理解深度学习网络做出分类决策的原因。

理解使用遮挡的网络预测

这个例子展示了如何使用遮挡敏感性图来理解为什么深度神经网络会做出分类决定。

理解使用LIME进行网络预测

这个例子展示了如何使用局部可解释模型不可知解释（LIME）来理解深层神经网络做出分类决策的原因。

使用梯度属性技术研究分类决策

这个例子展示了如何使用梯度属性映射来研究图像的哪些部分对于深度神经网络做出的分类决策最重要。

使用类激活映射研究网络预测

这个例子展示了如何使用类激活映射(CAM)来研究和解释用于图像分类的深度卷积神经网络的预测。

使用最大和最小激活图像可视化图像分类

这个例子展示了如何使用一个数据集来找出是什么激活了深层神经网络的通道。

使用tsne查看网络行为

这个例子展示了如何使用tsne函数可查看经过培训的网络中的激活情况。

监控GAN培训进度并识别常见故障模式

了解如何诊断和修复GAN培训中最常见的一些故障模式。

使用谷歌网的深度梦图像

此示例演示如何使用生成图像deepDreamImage使用预先训练的卷积神经网络GoogLeNet。

可视化卷积神经网络的激活

这个例子展示了如何将图像输入卷积神经网络，并显示网络的不同层的激活。

可视化LSTM网络的激活

这个例子展示了如何通过提取激活来研究和可视化LSTM网络学习的特征。

卷积神经网络的可视化特征

这个例子展示了如何将卷积神经网络学习到的特征可视化。