深度学习可视化
规划训练进度，评估准确性，解释预测，并将网络学习到的特征可视化
使用内置的网络精度和损耗图监控训练进度。使用可视化技术研究训练过的网络，如梯度-凸轮、遮挡灵敏度、LIME和深度梦。
应用程序
| 深度网络设计器 | 设计、可视化和训练深度学习网络 |
对象
trainingProgressMonitor |
监控和绘制深度学习自定义训练循环的训练进度 |
功能
属性
| ConfusionMatrixChart属性 | 混淆矩阵图的外观和行为 |
| ROCCurve属性 | 受试者工作特征(ROC)曲线的外观和行为 |
主题
- 使用深度学习对网络摄像头图像进行分类
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实时对网络摄像头中的图像进行分类。
- 监控深度学习培训进度
这个例子展示了如何监控深度学习网络的训练过程。
- 监控自定义训练循环的进度
跟踪和绘制自定义训练循环进度。
- 理解使用闭塞的网络预测
这个例子展示了如何使用闭塞敏感度映射来理解为什么深度神经网络做出分类决策。
- 用LIME解释表格数据上的深度网络预测
这个例子展示了如何使用局部可解释模型不可知解释(LIME)技术来理解深度神经网络分类表格数据的预测。
- 研究使用LIME进行谱图分类
这个例子展示了如何使用局部可解释模型不可知论解释(LIME)来研究深度卷积神经网络的鲁棒性，该神经网络被训练来分类谱图。
- 使用梯度归因技术研究分类决策
这个例子展示了如何使用梯度归因映射来调查图像的哪些部分对深度神经网络的分类决策最重要。
- 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度神经网络的通道。
- 使用tsne查看网络行为
的用法
tsne函数查看经过训练的网络中的激活。 - 监控GAN培训进度，识别常见故障模式
了解如何在GAN培训中诊断和修复一些最常见的故障模式。
- 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，并显示网络不同层的激活。
- 可视化激活LSTM网络
这个例子展示了如何通过提取激活来研究和可视化LSTM网络学习到的特征。
- 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。
- 深度学习可视化方法
了解和比较深度学习可视化方法。
- ROC曲线与绩效指标
使用
rocmetrics在测试数据集上检验分类算法的性能。 - 使用ROC曲线比较深度学习模型
这个例子展示了如何使用接收者工作特征(ROC)曲线来比较深度学习模型的性能。
特色的例子
您也可以从以下列表中选择网站: