Настройка и визуализация глубокого обучения
Контролируйте процесс обучения глубокого обучения с помощью встроенных графиков сетевой точности и потери. Чтобы улучшать производительность сети, можно настроить опции обучения и использовать Байесовую оптимизацию, чтобы искать оптимальные гиперпараметры. Заниматься расследованиями обучило нейронные сети, можно визуализировать функции, изученные сетью, и создать глубокую визуализацию мечты. Протестируйте свой обучивший сеть путем создания прогнозов с помощью новых данных.
Приложения
| Deep Network Designer | Редактируйте и создавайте глубокие нейронные сети |
Функции
Темы
Настройка
Настройте параметры и обучите сверточную нейронную сеть
Узнать, как настраивать учебные параметры для сверточной нейронной сети
Возобновите обучение от сети контрольной точки
Узнать, как сохранить сети контрольной точки в то время как обучение сверточная нейронная сеть и возобновить обучение от ранее сохраненной сети
Глубокое обучение Используя байесовую оптимизацию
В этом примере показано, как применить Байесовую оптимизацию к глубокому обучению и найти оптимальные сетевые гиперпараметры и опции обучения для сверточных нейронных сетей.
Запустите несколько экспериментов глубокого обучения
В этом примере показано, как запустить несколько экспериментов глубокого обучения на вашей локальной машине.
Обучите сеть Используя пользовательский учебный цикл
В этом примере показано, как обучить сеть, которая классифицирует рукописные цифры с пользовательским расписанием темпа обучения.
Советы глубокого обучения и приемы
Узнать, как улучшить точность нейронных сетей для глубокого обучения.
Визуализация
Классифицируйте изображения веб-камеры Используя глубокое обучение
В этом примере показано, как классифицировать изображения от веб-камеры в режиме реального времени с помощью предварительно обученной глубокой сверточной нейронной сети GoogLeNet.
Контролируйте процесс обучения глубокого обучения
Когда вы обучаете нейронные сети для глубокого обучения, часто полезно контролировать процесс обучения.
CAM градиента показывает почему позади решений глубокого обучения
CAM градиента объясняет, почему сеть принимает решение.
Изучите сетевые прогнозы Используя поглощение газов
В этом примере показано, как использовать карты чувствительности поглощения газов, чтобы изучить, почему глубокая нейронная сеть принимает решение классификации.
Исследуйте сетевые прогнозы Используя отображение активации класса
В этом примере показано, как использовать отображение активации класса (CAM), чтобы исследовать и объяснить прогнозы глубокой сверточной нейронной сети для классификации изображений.
Просмотрите Сетевое Поведение Используя tsne
В этом примере показано, как использовать tsne функционируйте, чтобы просмотреть активации в обучившем сеть.
Визуализируйте активации сверточной нейронной сети
В этом примере показано, как накормить изображением сверточную нейронную сеть и отобразить активации различных слоев сети.
Визуализируйте активации сети LSTM
В этом примере показано, как исследовать и визуализировать функции, изученные сетями LSTM путем извлечения активаций.
Визуализируйте функции сверточной нейронной сети
В этом примере показано, как визуализировать функции, изученные сверточными нейронными сетями.
