深度学习调优和可视化
使用内置的网络精度和损失图监控训练进度。为了提高网络性能,您可以使用实验管理器或贝叶斯优化调优训练选项并搜索最优超参数。为了研究经过训练的网络,你可以将网络学习到的特征可视化,并创建深度梦境可视化。通过使用新数据进行预测来测试你训练过的网络。管理在各种初始条件下训练网络的深度学习实验,并比较结果。
功能
属性
ConfusionMatrixChart属性 | 混淆矩阵图表外观和行为 |
主题
调优
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。
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。
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训练一个使用自定义学习率计划分类手写数字的网络。
学习如何提高深度学习网络的准确性。
可视化
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。
当你为深度学习训练网络时,监控训练进度通常是有用的。
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。
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。
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。
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。
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。
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。
方法的使用tsne
函数查看已训练网络中的激活。
了解如何在GAN培训中诊断和修复一些最常见的故障模式。
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。
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。
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。
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。