使用内置的网络精度和损失图监控培训进度。为了提高网络性能,您可以调整训练选项,并使用实验管理器或贝叶斯优化搜索最佳超参数。为了研究训练过的网络,你可以将网络学习到的特征可视化,并创建深梦可视化。通过使用新的数据做出预测来测试你训练过的网络。管理深度学习实验,在不同的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 |
学习如何为卷积神经网络设置训练参数。
这个例子展示了如何保存检查点网络,同时训练一个深度学习网络和恢复训练从先前保存的网络。
此示例显示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。
此示例显示如何在本地计算机上运行多个深度学习实验。
这个例子展示了如何用自定义的学习速率计划训练一个对手写数字进行分类的网络。
了解如何提高深度学习网络的准确性。
此示例显示如何使用预先训练的深卷积神经网络Googlenet实时对网络摄像头进行分类图像。
当你为深度学习训练网络时,监控训练进度通常是很有用的。
此示例显示如何使用梯度加权类激活映射(Grad-Cam)技术来理解为什么深度学习网络使其分类决策。
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做出分类决策。
此示例显示如何使用本地可解释的模型 - 不可知解释(Lime)来理解为什么深神经网络进行分类决策。
此示例显示了如何使用梯度归因地图来调查图像的哪些部分对于由深神经网络进行的分类决策最重要。
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。
此示例显示如何使用数据集查找最深入神经网络的通道的内容。
这个例子展示了如何使用徐
在培训的网络中查看激活的功能。
了解如何诊断并修复GaN培训中最常见的故障模式。
此示例显示如何使用图像生成图像deepDreamImage
与普雷雷普雷雷卷曲神经网络Googlenet。
这个例子展示了如何将一幅图像输入到卷积神经网络,并显示该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网络学习到的特征。
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。