Visualización de深度学习

代表我们的进步，evalúe la precisión，解释我们的预言和想象características我们的红色

监控进程与行动gráficas整合precisión和pérdida红色。调查redes entrenadas usando técnicas de visualización como Grad-CAM, sensibilidad de oclusión, LIME y深梦。

应用程序

深度网络设计器

Diseñar, visualizar y entrenar redes de深度学习

Objetos

trainingProgressMonitor 监控并绘制深度学习自定义训练循环的训练进度

一些必要

expandir待办事项

提供翻译

`analyzeNetwork`	分析深度学习网络架构
`情节`	红色神经元的结构代表
`updateInfo`	更新自定义训练循环的信息值
`recordMetrics`	记录自定义训练循环的度量值
`groupSubPlot`	训练图中的组指标

Visualización y predicción de características

`激活`	深度学习
`预测`	使用训练过的深度学习神经网络预测反应
`分类`	利用训练好的深度学习神经网络对数据进行分类
`predictAndUpdateState`	使用训练有素的循环神经网络预测响应并更新网络状态
`classifyAndUpdateState`	使用训练过的循环神经网络对数据进行分类并更新网络状态
`resetState`	复位神经网络状态参数
`deepDreamImage`	使用深度梦境可视化网络特征
`occlusionSensitivity`	通过封锁输入来解释网络预测
`imageLIME`	使用LIME解释网络预测
`gradCAM`	使用Grad-CAM解释网络预测
`confusionchart`	为分类问题创建混淆矩阵图
`sortClasses`	排序类混淆矩阵图
`rocmetrics`	二元和多类分类器的接收者工作特征(ROC)曲线和性能指标
`addMetrics`	计算额外的分类性能指标
`平均`	计算多类问题中平均受试者工作特征(ROC)曲线的性能指标
`情节`	绘制受试者工作特征(ROC)曲线和其他性能曲线

Propiedades

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

特马

分类imágenes de una网络摄像头中间深度学习
Este ejemplo muestra cómo分类imágenes de una webcam en tiempo real usando una红色神经元convolucional profunda preentrenada, GoogLeNet。
深度学习进程监测
Este ejemplo muestra cómo深度学习监测程序。
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。
LSTM可视化激活酶
Este ejemplo muestra cómo调查可视化las características aprendidas por las redes de LSTM外ayendo las activaciones。
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。