使用内置的网络准确性和损失图监控培训进展。为了提高网络性能,可以使用实验管理器或贝叶斯优化优化训练选项和搜索最优超参数。为了调查经过训练的网络,你可以将网络学习到的特征可视化,并创建深层梦境可视化。通过使用新数据进行预测来测试你训练有素的网络。管理深度学习实验,在各种初始条件下训练网络并比较结果。
ConfusionMatrixChart属性 | 混淆矩阵图的外观和行为 |
学习如何设置卷积神经网络的训练参数。
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。
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。
此示例演示如何在本地机器上运行多个深度学习实验。
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。
了解如何提高深度学习网络的准确性。
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。
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。
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。
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。
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。
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。
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。
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。
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。
了解如何诊断和修复GAN培训中最常见的一些故障模式。
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。
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。
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。
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。