深度学习调整
通过编程调整培训选项,从检查站恢复培训并调查对抗性示例
To learn how to set options using the训练
function, see设置参数和火车卷积神经网络。确定一些不错的起始选项后,您可以自动扫描超参数或尝试使用贝叶斯优化实验经理。
通过生成对抗性示例来研究网络鲁棒性。然后,您可以使用快速梯度符号方法(FGSM)对抗训练来训练网络强大的对抗扰动。
应用
深网设计师 | 设计,可视化和训练深度学习网络 |
话题
- 设置参数和火车卷积神经网络
了解如何为卷积神经网络设置培训参数。
- 使用贝叶斯优化的深度学习
此示例显示了如何将贝叶斯优化应用于深度学习,并找到卷积神经网络的最佳网络超参数和培训选项。
- Train Deep Learning Networks in Parallel
此示例显示了如何在本地机器上运行多个深度学习实验。
- 使用自定义培训循环的火车网络
此示例显示了如何使用自定义学习率计划进行手写数字进行分类的网络。
- 比较激活层
此示例显示了如何将训练网络的准确性与Relu,Releu Relu,Elu和Swish激活层进行比较。
- Generate Experiment Using Deep Network Designer
使用实验管理器调整经过深网设计师训练的网络的超参数。
- 深度学习技巧和窍门
了解如何提高深度学习网络的准确性。
- 使用Jacobian正则化训练强大的深度学习网络
此示例显示了如何使用Jacobian正则化方案训练对对抗性示例的强大示例的神经网络[1]。
- 指定自定义重量初始化功能
此示例显示了如何为卷积层创建自定义重量初始化功能,然后是漏水层。
- 比较层重量初始化器
此示例显示了如何使用不同的重量初始化器来训练深度学习网络。