主要内容
深入学习调整
以编程方式调整培训选项，从检查站恢复培训，并调查对抗性示例
要了解如何使用该选项设置选项培训选项功能，参见设置参数和火车卷积神经网络。识别出一些良好的起始选项后，您可以自动化扫描超参数或尝试使用贝叶斯优化实验经理。
通过产生对抗性示例来调查网络鲁棒性。然后，您可以使用快速梯度标志法（FGSM）对冲训练来训练网络对抗对抗扰动。
应用
| 深网络设计师 | 设计，可视化和培训深度学习网络 |
职能
培训选项 |
深度学习神经网络培训选项 |
Trainnetwork. |
火车深度学习神经网络 |
话题
了解如何为卷积神经网络设置培训参数。
此示例显示如何将贝叶斯优化应用于深度学习，并找到卷积神经网络的最佳网络超参数和培训选项。
此示例显示如何在本地计算机上运行多个深度学习实验。
此示例显示如何训练将手写数字与自定义学习率计划分类的网络。
此示例显示如何将培训网络的准确性与Relu，Leaky Relu，ELU和SWISH激活层进行比较。
使用实验经理调整在深网络设计器中培训的网络的超级参数。
了解如何提高深度学习网络的准确性。
此示例显示了如何使用雅孚正则化方案[1]训练对对抗的对抗示例具有鲁棒的神经网络[1]。
相关信息
特色例子
您还可以从以下列表中选择一个网站：
