使用内置的网络准确性和损失图监控培训进展。使用可视化技术(如grado - cam、occlusion sensitivity、LIME和deep dream)调查训练过的网络。
深层网络设计师 | 设计、可视化和训练深度学习网络 |
ConfusionMatrixChart属性 | 混淆矩阵图的外观和行为 |
这个例子展示了如何使用预先训练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。
当你训练网络进行深度学习时,监控训练进度通常是有用的。
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会做出分类决定。
这个例子展示了如何使用局部可解释的模型不可知解释(LIME)技术来理解深度神经网络分类表格数据的预测。
这个例子展示了如何使用局部可解释的模型不可知论解释(LIME)来研究经过训练的深度卷积神经网络对谱图分类的鲁棒性。
这个例子展示了如何使用梯度属性图来研究图像的哪些部分对深度神经网络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层神经网络的通道。
这个例子展示了如何使用tsne
命令功能查看经过训练的网络中的激活情况。
学习如何诊断和修复GAN训练中一些最常见的故障模式。
这个例子展示了如何将图像输入卷积神经网络,并显示网络的不同层的激活。
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。
了解并比较深度学习可视化方法。