调优

卷积神经网络参数的建立与训练

学习如何设置卷积神经网络的训练参数。

从检查点网络恢复培训

这个示例演示了如何在训练深度学习网络时保存检查点网络，并从先前保存的网络中恢复训练。

使用贝叶斯优化的深度学习

这个例子展示了如何将贝叶斯优化应用到深度学习中，为卷积神经网络找到最优的网络超参数和训练选项。

并行训练深度学习网络

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。

使用自定义训练循环训练网络

这个例子展示了如何训练一个网络，用一个定制的学习速率计划来分类手写数字。

深度学习技巧

学习如何提高深度学习网络的准确性。

实验

创建一个深度学习的分类实验

这个例子展示了如何使用实验经理．

为回归创建一个深度学习实验

这个例子展示了如何通过使用实验经理．

使用实验管理器并行训练网络

这个例子展示了如何在并行使用中训练深度网络实验经理．

使用度量函数评价深度学习实验

这个例子展示了如何使用度量函数来评估一个实验的结果。

利用贝叶斯优化优化实验超参数

这个例子展示了如何使用贝叶斯优化实验经理为卷积神经网络寻找最优的网络超参数和训练选项。

尝试多个预先训练的网络来进行迁移学习

这个例子展示了如何配置一个实验来替换不同的预先训练的网络层来进行迁移学习。

用权值初始化器进行迁移学习的实验

这个示例演示了如何配置一个实验，该实验使用不同的权重初始化器进行训练，初始化卷积和完全连接层的权重。

可视化

使用深度学习分类摄像头图像

这个例子展示了如何使用预先训练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。

监控深度学习训练进展

当你训练网络进行深度学习时，监控训练进度通常是有用的。

gradcam揭示了Deep Learning决策背后的原因

这个例子展示了如何使用梯度加权类激活映射(grade - cam)技术来理解为什么深度学习网络会做出分类决策。

理解使用遮挡的网络预测

这个例子展示了如何使用遮挡敏感性图来理解为什么深度神经网络会做出分类决定。

理解使用LIME进行网络预测

这个例子展示了如何使用局部可解释的模型不可知论解释(LIME)来理解为什么深度神经网络会做出分类决策。

研究使用梯度归因技术的分类决策

这个例子展示了如何使用梯度属性图来研究图像的哪些部分对深度神经网络的分类决策是最重要的。

使用类激活映射研究网络预测

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。

使用最大和最小激活图像可视化图像分类

这个例子展示了如何使用数据集来找出是什么激活了深层神经网络的通道。

使用tsne查看网络行为

这个例子展示了如何使用tsne命令功能查看经过训练的网络中的激活情况。

监控GAN培训进度，识别常见故障模式

学习如何诊断和修复GAN训练中一些最常见的故障模式。

Deep Dream Images Using GoogLeNet

这个例子展示了如何使用deepDreamImage采用预训练卷积神经网络GoogLeNet。

卷积神经网络的可视化激活

这个例子展示了如何将图像输入卷积神经网络，并显示网络的不同层的激活。

可视化LSTM网络的激活

这个例子展示了如何通过提取激活来研究和可视化LSTM网络学习的特征。

卷积神经网络的可视化特征

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。