深度学习调优和可视化
绘制训练进度,评估准确性,做出预测,调整训练选项,并将网络学习到的特征可视化
使用内置的网络精度和损失图监控深度学习训练进度。为了提高网络性能,您可以调整训练选项并使用贝叶斯优化来搜索最优超参数。为了研究经过训练的网络,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。
应用程序
深度网络设计器 | 编辑和构建深度学习网络 |
功能
主题
调优
学习如何为卷积神经网络设置训练参数
学习如何在训练卷积神经网络时保存检查点网络,并从先前保存的网络恢复训练
这个例子展示了如何将贝叶斯优化应用于深度学习,并为卷积神经网络找到最优的网络超参数和训练选项。
这个例子展示了如何在本地机器上运行多个深度学习实验。
这个例子展示了如何训练一个使用自定义学习率计划分类手写数字的网络。
学习如何提高深度学习网络的准确性。
可视化
这个例子展示了如何使用预先训练好的深度卷积神经网络GoogLeNet对来自网络摄像头的图像进行实时分类。
当你为深度学习训练网络时,监控训练进度通常是有用的。
Grad-CAM解释了为什么网络会做出决定。
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会做出分类决策。
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。
方法的使用tsne
函数查看已训练网络中的激活。
这个例子展示了如何将图像输入卷积神经网络,并显示网络不同层的激活情况。
这个例子展示了如何通过提取激活来调查和可视化LSTM网络学习的特征。
这个例子展示了如何将卷积神经网络学习到的特征可视化。