深度学习、调优和可视化

管理实验，绘制训练进度，评估准确性，解释预测，调整训练选项，并可视化网络学习的特征

通过扫描超参数或使用贝叶斯优化，调整训练选项并提高网络性能。使用实验管理器管理在各种初始条件下训练网络并比较结果的深度学习实验。使用内置的网络准确性和损失图监控培训进展。为了研究经过训练的网络，您可以使用可视化技术，如grade - cam、occlusion sensitivity、LIME和deep dream。您还可以使用对抗性示例来调查网络的健壮性，并使用新数据进行预测来测试经过训练的网络。

经常查看主题

深度学习调优
以编程方式调优培训选项，从检查点恢复培训，并研究敌对的例子
深度学习的可视化
绘制训练进度，评估准确性，解释预测，并可视化网络学习到的特征
深度学习的实验
在各种初始条件下训练网络，交互式调整训练选项，并评估结果

特色的例子

使用深度学习分类摄像头图像

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。

打开脚本

理解使用遮挡的网络预测

使用遮挡敏感性图来理解为什么深层神经网络会做出分类决定。遮挡敏感性是一种简单的技术，用于理解图像的哪些部分对深度网络的分类最重要。你可以通过对数据的微小扰动来测量网络对数据不同区域遮挡的敏感性。使用遮挡敏感性来获得对网络用于进行特定分类的图像特征的高层次理解，并提供对网络可能错误分类图像的原因的深入了解。

打开生活的脚本