使用内置的网络准确性和损失图监控培训进度。使用可视化技术(如渐变CAM、遮挡敏感度、石灰和深度梦)调查经过训练的网络。
深层网络设计师 | 设计、可视化和培训深度学习网络 |
ConfusionMatrixChart属性 | 混淆矩阵图的外观和行为 |
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。
当您为深度学习培训网络时,监控培训进度通常很有用。
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)技术来理解对表格数据进行分类的深层神经网络的预测。
这个例子展示了如何使用局部可解释模型不可知解释(LIME)来研究训练用于光谱图分类的深度卷积神经网络的鲁棒性。
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。
这个例子展示了如何将图像反馈给卷积神经网络,并显示网络不同层的激活情况。
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。