使用深度学习对网络摄像头图像进行分类

此示例显示如何使用预先训练的深卷积神经网络Googlenet实时对网络摄像头进行分类图像。

监测深度学习培训进度

当您培训深度学习网络时，监控培训进度通常有用。

使用闭塞理解网络预测

此示例显示如何使用遮挡敏感性图来理解为什么深神经网络进行分类决策。

用石灰解释对表格数据的深网络预测

此示例显示了如何使用本地解释的模型 - 不可知解释（石灰）技术来理解深度神经网络分类的预测。

使用石灰调查频谱图分类

此示例显示了如何使用本地可解释的模型 - 不可知的解释（石灰）来调查培训的深度卷积神经网络的鲁棒性以对谱图进行分类。

使用梯度归因技术调查分类决策

此示例显示了如何使用梯度归因地图来调查图像的哪些部分对于由深神经网络进行的分类决策最重要。

使用类激活映射调查网络预测

此示例显示如何使用类激活映射（CAM）来调查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

此示例显示如何使用数据集查找最深入神经网络的通道的内容。

使用TSNE查看网络行为

此示例显示了如何使用徐在培训的网络中查看激活的功能。

监控GaN培训进度并确定常见的失败模式

了解如何诊断并修复GaN培训中最常见的故障模式。

可视化卷积神经网络的激活

此示例显示如何将图像馈送到卷积神经网络并显示网络的不同层的激活。

可视化LSTM网络的激活

此示例显示如何通过提取激活来调查和可视化LSTM网络学习的功能。

可视化卷积神经网络的特征

此示例显示如何可视化卷积神经网络学习的特征。