可视化和可解释性
情节训练进度,评估精度,解释预测和可视化功能通过网络学习
使用内置的网络监控培训进展准确性和损失。使用可视化技术,如Grad-CAM调查训练网络,闭塞敏感性,石灰,深的梦想。
深度学习可视化方法
应用程序
| 深层网络设计师 | 设计、可视化和火车深度学习网络 |
对象
trainingProgressMonitor |
监控和情节培训进展深度学习定制培训循环 |
功能
属性
| ConfusionMatrixChart属性 | 混淆矩阵图表外观和行为 |
| ROCCurve属性 | 接受者操作特征(ROC)曲线的外观和行为 |
主题
培训进度和绩效
- 监测深度学习培训的进展
这个例子展示了如何监测深度学习网络的训练过程。 - 监控定制培训循环的进展
定制培训循环进展跟踪和阴谋。 - 监测GAN培训进展并确定常见的失效模式
学习如何诊断和修复一些最常见的失效模式在GAN培训。 - ROC曲线和性能指标
使用rocmetrics检查分类算法的性能测试数据集。 - 比较深的学习模型使用ROC曲线
这个例子展示了如何使用接受者操作特征(ROC)曲线比较深度学习模型的性能。
可解释性
- 探索网络预测使用深度学习的可视化技术
这个例子展示了如何使用深度学习调查网络预测可视化技术。 - 了解网络使用阻塞预测
这个例子展示了如何使用阻塞敏感性映射到理解为什么一个深层神经网络分类的决定。 - 解释使用石灰深度网络预测表格数据
这个例子展示了如何使用本地可model-agnostic解释(石灰)技术的理解深度的预测神经网络分类表格数据。 - 调查使用石灰声谱图分类
这个例子展示了如何使用本地可判断的model-agnostic解释(石灰)调查深卷积神经网络的鲁棒性训练对谱图进行分类。 - 使用梯度归因技术调查分类决策
这个例子展示了如何使用梯度归因调查地图图像的哪些部分最重要的分类决策的神经网络。 - 调查网络预测使用类激活映射
这个例子展示了如何使用类激活映射(CAM)调查和解释深卷积神经网络的预测的图像分类。 - 使用最大和最小启动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激活深层神经网络的渠道。 - 视图使用tsne网络行为
这个例子展示了如何使用tsne功能视图激活一个训练网络。 - 可视化LSTM网络的激活
这个例子展示了如何调查和可视化功能学LSTM网络提取激活。 - 可视化卷积神经网络的激活
这个例子展示了如何养活一个图像卷积神经网络的激活和显示不同的网络层。 - 卷积神经网络的可视化特性
这个例子展示了如何可视化卷积神经网络学习的特性。 - 深度学习可视化方法
了解并比较深度学习的可视化方法。
