监控训练进度使用内置的网络精度和损失的情节。为了提高网络性能,您可以调整培训方案和搜索使用实验管理器或贝叶斯优化最优超参数。为了研究训练的网络,你可以通过可视化的网络学到的特点和产生深梦想可视化。通过使使用新的数据预测测试你训练的网络。管理深学习实验各种初始条件下,列车网络和比较结果。
ConfusionMatrixChart属性 | 混淆矩阵图表的外观和行为 |
了解如何设立一个卷积神经网络训练参数。
这个例子显示了如何保存检查站网络,同时从以前保存的网络训练了深刻的学习网络和恢复训练。
这个例子说明了如何贝叶斯优化适用于深度学习,并找到卷积神经网络优化的网络超参数和培训方案。
这个例子显示了如何培养一个网络,以进行分类定制学习费率表手写的数字。
了解如何改善深学习网络的精度。
这个例子展示了如何使用实验管理训练了深刻的学习网络进行分类。
这个例子展示了如何使用实验管理训练了深刻的学习网络回归。
这个例子说明了如何使用公制功能评价实验的结果。
此示例示出了如何配置替换不同预训练的网络层用于转移学习实验。
此示例示出了如何配置使用不同的权重初始化为训练初始化卷积的权重和完全连接层的实验。
这个例子显示了如何在本地机器上运行多个深度学习实验。
这个例子说明了如何从一个摄像头使用实时预训练的深卷积神经网络GoogLeNet图像分类。
当你训练网络的深度学习,通常用于监控训练进度。
这个例子说明了如何使用梯度加权级激活映射(梯度-CAM)技术理解为什么一个深刻的学习网络,使得它的分类决定。
这个例子说明了如何使用闭塞灵敏度映射到理解为什么一个深层神经网络,使分类判决。
这个例子说明了如何使用梯度归属映射调查哪些部分图像是由深层神经网络进行分类决策最重要的。
这个例子说明了如何使用类映射激活(CAM)调查和解释图像分类深刻的卷积神经网络的预测。
这个例子说明了如何使用的数据集,以找出激活深层神经网络的渠道。
这个例子说明了如何使用tsne
功能,以查看在受过训练的网络激活。
了解如何诊断和修复一些赣训练中最常见的故障模式。
这个例子说明如何使用生成图像deepDreamImage
与预训练卷积神经网络GoogLeNet。
该示例示出如何将图像馈送到卷积神经网络,并显示该网络的不同层的激活。
这个例子说明了如何进行调查,并通过提取激活通过可视化网络LSTM学到的特点。
这个例子展示了如何通过可视化卷积神经网络学习的特点。