文档帮助中心文档
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。
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。
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。
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。
使用实验管理器并行训练深度网络。
配置一个实验,替换不同的预先训练的网络层来进行迁移学习。
比较不同的数据预处理和网络深度配置的序列-序列回归。
你点击一个链接对应于这个MATLAB命令:
通过在MATLAB命令窗口中输入命令来运行命令。Web浏览器不支持MATLAB命令。金宝app
选择一个网站,在那里获得翻译的内容,并看到当地的活动和优惠。根据您的位置,我们建议您选择:.
你也可以从以下列表中选择一个网站:
选择中国网站(中文或英文)以获得最佳网站性能。其他MathWorks国家站点没有针对您所在位置的访问进行优化。
与当地办事处联系