深度学习可视化
绘制训练进度，评估准确性，解释预测，并将网络学习到的特征可视化
使用内置的网络精度和损失图监控训练进度。使用可视化技术(如Grad-CAM、遮挡敏感性、LIME和deep dream)研究训练过的网络。
应用程序
| 深度网络设计器 | 设计、可视化和训练深度学习网络 |
对象
trainingProgressMonitor |
监控并绘制深度学习自定义训练循环的训练进度 |
功能
属性
| ConfusionMatrixChart属性 | 混淆矩阵图表外观和行为 |
| ROCCurve属性 | 受试者工作特征(ROC)曲线的外观和行为 |
主题
- 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
这个例子展示了如何监控深度学习网络的训练过程。
- 监控定制培训循环进度
跟踪并绘制自定义训练循环进度。
- 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解释表格数据上的深度网络预测
这个例子展示了如何使用局部可解释模型未知解释(LIME)技术来理解深度神经网络分类表格数据的预测。
- 研究使用LIME进行谱图分类
这个例子展示了如何使用局部可解释模型未知解释(LIME)来研究训练用于分类频谱图的深度卷积神经网络的鲁棒性。
- 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。
- 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。
- 深度学习可视化方法
了解并比较深度学习可视化方法。
- ROC曲线与绩效指标
使用
rocmetrics在测试数据集上检验分类算法的性能。 - 使用ROC曲线比较深度学习模型
这个例子展示了如何使用接收者工作特征(ROC)曲线来比较深度学习模型的性能。
特色的例子
您也可以从以下列表中选择一个网站: