调优

参数设置与卷积神经网络训练

学习如何为卷积神经网络设置训练参数。

从Checkpoint Network恢复培训

这个例子展示了如何在训练深度学习网络的同时保存检查点网络，并从先前保存的网络恢复训练。

使用贝叶斯优化的深度学习

这个例子展示了如何将贝叶斯优化应用于深度学习，并为卷积神经网络找到最优的网络超参数和训练选项。

并行训练深度学习网络

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。

使用自定义训练循环训练网络

这个例子展示了如何训练一个使用自定义学习率计划分类手写数字的网络。

深度学习技巧和技巧

学习如何提高深度学习网络的准确性。

实验

创建一个分类的深度学习实验

这个例子展示了如何通过使用训练深度学习网络进行分类实验管理器．

创建一个回归的深度学习实验

这个例子展示了如何训练一个用于回归的深度学习网络实验管理器．

使用实验管理器并行训练网络

这个例子展示了如何并行使用训练深度网络实验管理器．

利用度量函数评估深度学习实验

这个例子展示了如何使用度量函数来评估实验的结果。

利用贝叶斯优化调优实验超参数

这个例子展示了如何使用贝叶斯优化实验管理器找出卷积神经网络的最优网络超参数和训练选项。

尝试多个预训练网络进行迁移学习

这个例子展示了如何配置一个实验，替换不同的预训练网络层进行迁移学习。

迁移学习中权重初始化器的实验

这个例子展示了如何配置一个实验，该实验使用不同的权重初始化器来初始化卷积层和全连接层的权重进行训练。

可视化

使用深度学习对网络摄像头图像进行分类

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对来自网络摄像头的图像进行实时分类。

监控深度学习训练进度

当你为深度学习训练网络时，监控训练进度通常是有用的。

Grad-CAM揭示深度学习决策背后的原因

这个例子展示了如何使用梯度加权类激活映射(Grad-CAM)技术来理解深度学习网络做出分类决策的原因。

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映射来理解为什么深度神经网络会做出分类决策。

使用LIME了解网络预测

这个例子展示了如何使用局部可解释模型不可知解释(LIME)来理解为什么深度神经网络会做出分类决策。

使用梯度归因技术研究分类决策

这个例子展示了如何使用梯度归因图来调查图像的哪些部分对于深度神经网络做出的分类决策是最重要的。

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

这个例子展示了如何使用数据集来找出是什么激活了深度神经网络的通道。

使用tsne查看网络行为

方法的使用tsne函数查看已训练网络中的激活。

监控GAN培训进度，识别常见故障模式

了解如何在GAN培训中诊断和修复一些最常见的故障模式。

使用GoogLeNet的深度梦境图像

这个例子展示了如何使用生成图像deepDreamImage使用预先训练好的卷积神经网络GoogLeNet。

卷积神经网络的可视化激活

这个例子展示了如何将图像输入卷积神经网络，并显示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调查和可视化LSTM网络学习的特征。

卷积神经网络的可视化特征

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。