深度学习调整和可视化

管理实验,情节训练进度,评估的准确性,做出预测,调整培训方案和可视化功能通过网络了解到

使用内置的网络准确度和损耗图来监控训练进度。为了提高网络性能,您可以调整训练选项,并使用实验管理器或贝叶斯优化来搜索最优超参数。要研究训练有素的网络,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。

应用

深层网络设计师 设计,可视化和培训深学习网络
实验管理器 设计和运行实验,训练和比较深的学习网络

功能

展开全部

analyzeNetwork 分析深度学习网络架构
情节 绘制神经网络层图
trainingOptions 训练深度学习神经网络的选择
trainNetwork 训练用于深度学习的神经网络
激活 计算深度学习网络层激活
预测 预测使用受训深学习神经网络的反应
分类 使用受训深学习神经网络分类数据
predictAndUpdateState 预测使用受训回归神经网络响应和更新网络状态
classifyAndUpdateState 利用训练后的递归神经网络对数据进行分类,更新网络状态
resetState 重置回归神经网络的状态
deepDreamImage 使用deep dream可视化网络功能
occlusionSensitivity 确定由阻断输入的输入数据是如何影响输出激活
confusionchart 为分类问题创建混淆矩阵图
sortClasses 混淆矩阵图表的排序类

属性

ConfusionMatrixChart属性 混淆矩阵图表的外观和行为

主题

调优

设置参数和火车站卷积神经网络

学习如何设置卷积神经网络的训练参数。

从检查点网络恢复训练

这个例子展示了如何在训练深度学习网络时保存检查点网络,以及如何从以前保存的网络恢复训练。

使用贝叶斯优化的深度学习

这个例子说明了如何贝叶斯优化适用于深度学习,并找到卷积神经网络优化的网络超参数和培训方案。

使用自定义训练循环训练网络

这个例子展示了如何训练一个使用自定义学习速率计划对手写数字进行分类的网络。

深度学习的技巧和诀窍

了解如何改善深学习网络的精度。

实验

创建一个分类的深度学习实验

这个例子展示了如何使用实验管理器训练一个深度学习网络进行分类。

创建一个深学习实验的回归

这个例子展示了如何使用实验管理训练了深刻的学习网络回归。

使用度量函数评估深度学习实验

这个例子说明了如何使用公制功能评价实验的结果。

尝试使用迁移学习多预训练网络

此示例示出了如何配置替换不同预训练的网络层用于转移学习实验。

尝试使用权重初始化器进行转移学习

此示例示出了如何配置使用不同的权重初始化为训练初始化卷积的权重和完全连接层的实验。

运行多个深度学习实验并行

这个例子显示了如何在本地机器上运行多个深度学习实验。

可视化

使用Deep学习分类网络摄像头图像

这个例子说明了如何从一个摄像头使用实时预训练的深卷积神经网络GoogLeNet图像分类。

监视器深学习培训进展

当您为深度学习培训网络时,监视培训进度通常是有用的。

毕业生-CAM揭示了为什么深度学习决策背后

这个例子说明了如何使用梯度加权级激活映射(梯度-CAM)技术理解为什么一个深刻的学习网络,使得它的分类决定。

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做出分类决策。

调查采用梯度署名技术归类决定

这个例子说明了如何使用梯度归属映射调查哪些部分图像是由深层神经网络进行分类决策最重要的。

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。

可视化图像分类使用最大与最小激活图片

这个例子说明了如何使用的数据集,以找出激活深层神经网络的渠道。

使用tsne查看网络行为

此示例演示如何使用tsne功能,以查看在受过训练的网络激活。

监视器甘训练进程,并确定共同的故障模式

了解如何诊断和修复一些赣训练中最常见的故障模式。

使用GoogLeNet深梦意象

这个例子说明如何使用生成图像deepDreamImage使用预先训练好的卷积神经网络GoogLeNet。

可视化卷积神经网络的激活

这个例子展示了如何向卷积神经网络提供图像并显示网络不同层的激活。

LSTM网络的可视化的激活

这个例子展示了如何通过提取激活来研究和可视化LSTM网络学习到的特性。

可视化卷积神经网络的特征

这个例子展示了如何可视化卷积神经网络学习的特征。

精选示例