文档帮助中心文档
通过扫描超参数或使用贝叶斯优化调整训练选项和提高网络性能。使用实验管理器来管理在各种初始条件下训练网络并比较结果的深度学习实验。使用内置的网络准确性和损失图监控培训进度。为了调查经过训练的网络,您可以使用可视化技术,如Grad-CAM、遮挡敏感性、LIME和深度梦境。您还可以使用对抗的例子来研究网络的健壮性,并通过使用新数据进行预测来测试您训练的网络。
利用预先训练好的深度卷积神经网络GoogLeNet实时对网络摄像头中的图像进行分类。
使用遮挡敏感映射来理解为什么深度神经网络做出分类决策。遮挡敏感性是一种简单的技术,用于理解图像的哪些部分对深度网络的分类最重要。可以使用数据的小扰动来测量网络对不同区域数据遮挡的敏感性。使用遮挡敏感度来获得对网络用来进行特定分类的图像特征的高级理解,并提供对网络错误分类图像的原因的洞察力。
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做出分类决策。
使用实验管理器并行训练深度网络。
配置一个实验,替换不同的预先训练的网络层进行迁移学习。
比较不同的数据预处理和网络深度配置的序列到序列回归。
你们会得到cliqué对应à然后用MATLAB命令:
为exécuter la commande, saisissez-la dans - fenêtre de commande MATLAB。navigateurs web ne不支持使用金宝appMATLAB。
选择一个网站来获得可用的翻译内容,并看到当地的活动和提供。根据您所在的位置,我们建议您选择:.
你也可以从以下列表中选择一个网站:
请选择表现最佳的中国网站(中文或英文)。MathWorks的其他国家网站并没有针对您所在位置的访问进行优化。
与当地办事处联系