调优

设置参数和火车卷积神经网络

学习如何为卷积神经网络设置训练参数。

从检查站网络恢复培训

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。

使用贝叶斯优化的深度学习

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。

并行列车深入学习网络

此示例显示如何在本地计算机上运行多个深度学习实验。

使用自定义训练循环的训练网络

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。

深度学习的技巧和技巧

了解如何提高深度学习网络的准确性。

实验

创建一个用于分类的深度学习实验

此示例显示如何通过使用培训深入学习网络进行分类实验经理。

为回归创建深度学习实验

此示例显示如何通过使用培训深度学习网络实验经理。

使用实验经理并行培训网络

此示例显示如何使用并行培训深网络实验经理。

利用度量函数评估深度学习实验

此示例显示如何使用度量函数来评估实验结果。

通过使用贝叶斯优化调整实验超参数

这个例子展示了如何使用贝叶斯优化实验经理为卷积神经网络寻找最优的网络超参数和训练选项。

尝试多个佩带网络进行转移学习

此示例显示了如何配置替换不同预磨合网络的层进行传输学习的实验。

用权值初始化器进行迁移学习实验

此示例显示如何配置使用不同权重初始化器初始化卷积和完全连接的图层的权重进行培训的实验。

可视化

使用深度学习对网络摄像头图像进行分类

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。

监测深度学习培训进度

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。

Grad-Cam揭示为什么深入学习决策

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。

使用遮挡理解网络预测

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做出分类决策。

使用LIME理解网络预测

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。

使用梯度归因技术调查分类决策

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。

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

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。

使用TSNE查看网络行为

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。

监控GaN培训进度并确定常见的失败模式

了解如何诊断并修复GaN培训中最常见的故障模式。

使用googlenet的深梦图像

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。

可视化卷积神经网络的激活

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。

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网络学习到的特征。

将卷积神经网络的特征可视化

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。