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。
ConfusionMatrixChart属性 | 混淆矩阵图表的外观和行为 |
学习如何设置卷积神经网络的训练参数。
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。
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。
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。
了解如何改善深学习网络的精度。
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。
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。
这个例子说明了如何使用公制功能评价实验的结果。
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。
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。
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。
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。
当您为深度学习培训网络时,监视培训进度通常是有用的。
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。
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。
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。
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。
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。
了解如何诊断和修复一些赣训练中最常见的故障模式。
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。
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。
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。
这个例子展示了如何可视化卷积神经网络学习的特征。