使用网络精度和损耗的内置曲线监控培训进度。使用可视化技术调查训练有素的网络,如Grad-Cam,闭塞灵敏度,石灰和深梦。
深网络设计师 | 设计,可视化和培训深度学习网络 |
confusionmatrixchart属性 | 困惑矩阵图表外观和行为 |
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。
当您培训深度学习网络时,监控培训进度通常有用。
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。
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。
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。
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。
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。
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。
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。
了解如何诊断并修复GaN培训中最常见的故障模式。
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。
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。
此示例显示如何可视化卷积神经网络学习的特征。