监控训练进度使用内置的网络精度和损失的情节。为了提高网络性能,您可以调整培训方案和搜索使用实验管理器或贝叶斯优化最优超参数。为了研究训练的网络,你可以通过可视化的网络学到的特点和产生深梦想可视化。通过使使用新的数据预测测试你训练的网络。管理深学习实验各种初始条件下,列车网络和比较结果。
ConfusionMatrixChart属性 | 混淆矩阵图的外观和行为 |
了解如何设立一个卷积神经网络训练参数。
这个例子显示了如何保存检查站网络,同时从以前保存的网络训练了深刻的学习网络和恢复训练。
这个例子展示了如何将贝叶斯优化应用到深度学习中,并为卷积神经网络找到最优的网络超参数和训练选项。
这个例子显示了如何培养一个网络,以进行分类定制学习费率表手写的数字。
学习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实验管理训练了深刻的学习网络进行分类。
这个例子展示了如何使用实验管理器来训练一个用于回归的深度学习网络。
这个例子展示了如何使用度量函数来评估一个实验的结果。
这个例子展示了如何配置一个实验来替换不同的预训练网络层来进行迁移学习。
这个例子展示了如何配置一个实验来初始化卷积和全连接层的权值,使用不同的权值初始化器进行训练。
这个例子展示了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使用预先训练好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。
当你训练网络的深度学习,通常用于监控训练进度。
这个例子展示了如何使用梯度加权类激活映射(grade - cam)技术来理解深度学习网络为什么做出分类决策。
这个例子说明了如何使用闭塞灵敏度映射到理解为什么一个深层神经网络,使分类判决。
这个例子展示了如何使用梯度属性图来研究图像的哪些部分对深度神经网络的分类决策最重要。
这个例子说明了如何使用类映射激活(CAM)调查和解释图像分类深刻的卷积神经网络的预测。
这个例子展示了如何使用数据集来找出是什么激活了深层神经网络的通道。
这个例子说明了如何使用tsne
函数在经过训练的网络中查看激活情况。
学习如何在GAN培训中诊断和修复一些最常见的故障模式。
这个示例展示了如何使用deepDreamImage
使用预先训练好的卷积神经网络GoogLeNet。
该示例示出如何将图像馈送到卷积神经网络,并显示该网络的不同层的激活。
这个例子说明了如何进行调查,并通过提取激活通过可视化网络LSTM学到的特点。
这个例子展示了如何通过可视化卷积神经网络学习的特点。