深度学习可视化

Plot training progress, assess accuracy, explain predictions, and visualize features learned by a network

使用网络准确性和损失的内置图监视培训进度。使用可视化技术（例如Grad-CAM，遮挡灵敏度，石灰和深梦）来研究训练有素的网络。

应用

设计，可视化和训练深度学习网络

职能

情节

`分析`	Analyze deep learning network architecture
`阴谋`	Plot neural network layer graph

功能可视化和预测

`activations`	计算深度学习网络层激活
`predict`	使用经过训练的深度学习神经网络预测响应
`classify`	使用经过训练的深度学习神经网络对数据进行分类
`预测和dateState`	使用训练有素的复发神经网络预测响应，并更新网络状态
`classifyAndUpDateState`	使用训练有素的复发神经网络对数据进行分类，并更新网络状态
`resetState`	重置经常性神经网络的状态
`deepDreamImage`	Visualize network features using deep dream
`occlusionSensitivity`	通过遮挡输入来解释网络预测
`成像时`	使用石灰解释网络预测
`Gradcam`	使用Grad-CAM解释网络预测
`混乱`	Create confusion matrix chart for classification problem
`sortClasses`	排序混淆矩阵图表

特性

混乱的Matrixchart属性

混淆矩阵图表外观和行为

话题

使用深度学习对网络摄像头进行分类

此示例显示了如何使用经过验证的深卷积神经网络Googlenet实时从网络摄像头分类的图像。

监视深度学习培训进度

当您培训网络以进行深度学习时，监视培训进度通常很有用。

Understand Network Predictions Using Occlusion

This example shows how to use occlusion sensitivity maps to understand why a deep neural network makes a classification decision.

使用石灰解释对表格数据的深度网络预测

此示例显示了如何使用本地解释的模型不足解释（LIME）技术来了解深度神经网络对表格数据进行分类的预测。

使用石灰研究频谱图分类

此示例显示了如何使用局部解释的模型不足解释（LIME）来研究经过对频谱图进行分类的深卷积神经网络的鲁棒性。

使用梯度归因技术调查分类决策

此示例显示了如何使用梯度归因图来研究图像的哪些部分对于深层神经网络做出的分类决策最重要。

Investigate Network Predictions Using Class Activation Mapping

这个例子展示了如何使用类激活地图ping (CAM) to investigate and explain the predictions of a deep convolutional neural network for image classification.

使用最大和最小激活图像可视化图像分类

此示例显示了如何使用数据集来找出激活深神经网络通道的原因。

View Network Behavior Using tsne

This example shows how to use thetsne在训练有素的网络中查看激活的功能。

监视GAN训练进度并确定常见的故障模式

了解如何在GAN培训中诊断和修复一些最常见的故障模式。

Visualize Activations of a Convolutional Neural Network

此示例显示了如何将图像馈送到卷积神经网络并显示网络不同层的激活。

可视化LSTM网络的激活

This example shows how to investigate and visualize the features learned by LSTM networks by extracting the activations.

Visualize Features of a Convolutional Neural Network

This example shows how to visualize the features learned by convolutional neural networks.

深度学习可视化方法

Learn about and compare deep learning visualization methods.

特色示例

Explore Network Predictions Using Deep Learning Visualization Techniques

Investigate network predictions using deep learning visualization techniques.

Open Live Script

Grad-CAM揭示了深度学习决策背后的原因

Use the gradient-weighted class activation mapping (Grad-CAM) technique to understand why a deep learning network makes its classification decisions. Grad-CAM, invented by Selvaraju and coauthors [1], uses the gradient of the classification score with respect to the convolutional features determined by the network in order to understand which parts of the image are most important for classification. This example uses the GoogLeNet pretrained network for images.

Open Live Script