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

当您为深度学习培训网络时，监控培训进度通常很有用。

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。

使用石灰解释表格数据上的深层网络预测

这个例子展示了如何使用局部可解释模型不可知解释（LIME）技术来理解对表格数据进行分类的深层神经网络的预测。

使用石灰研究光谱图分类

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。

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。

可视化卷积神经网络的激活

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。

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。