Контролируйте процесс обучения с помощью встроенных графиков сетевой точности и потери. Чтобы улучшать производительность сети, можно настроить опции обучения и искать оптимальные гиперпараметры с помощью Experiment Manager или Байесовой оптимизации. Заниматься расследованиями обучило нейронные сети, можно визуализировать функции, изученные сетью, и создать глубокую визуализацию мечты. Протестируйте свой обучивший сеть путем создания предсказаний с помощью новых данных. Справьтесь с экспериментами глубокого обучения, которые обучают нейронные сети под различными начальными условиями и сравнивают результаты.
| Deep Network Designer | Спроектируйте, визуализируйте и обучите нейронные сети для глубокого обучения |
| Experiment Manager | Спроектируйте и запустите эксперименты, чтобы обучить и сравнить нейронные сети для глубокого обучения |
| ConfusionMatrixChart Properties | Матричный вид диаграммы беспорядка и поведение |
Настройте параметры и обучите сверточную нейронную сеть
Узнать, как настраивать учебные параметры для сверточной нейронной сети.
Возобновите обучение от сети контрольной точки
В этом примере показано, как сохранить сети контрольной точки, в то время как обучение нейронная сеть для глубокого обучения и возобновляет 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.
Обучите сеть Используя пользовательский учебный цикл
В этом примере показано, как обучить сеть, которая классифицирует рукописные цифры с пользовательским расписанием скорости обучения.
Советы глубокого обучения и приемы
Узнать, как улучшить точность нейронных сетей для глубокого обучения.
Создайте эксперимент глубокого обучения для классификации
В этом примере показано, как обучить нейронную сеть для глубокого обучения классификации при помощи Experiment Manager.
Создайте эксперимент глубокого обучения для регрессии
В этом примере показано, как обучить нейронную сеть для глубокого обучения регрессии при помощи Experiment Manager.
Оцените эксперименты глубокого обучения при помощи метрических функций
В этом примере показано, как использовать метрические функции, чтобы оценить результаты эксперимента.
Попробуйте несколько предварительно обученных сетей за передачу обучения
В этом примере показано, как сконфигурировать эксперимент, который заменяет слои различных предварительно обученных сетей для передачи обучения.
Экспериментируйте с инициализаторами веса для передачи обучения
В этом примере показано, как сконфигурировать эксперимент, который инициализирует веса свертки и полносвязных слоев с помощью различных инициализаторов веса в обучении.
Запустите несколько экспериментов глубокого обучения параллельно
В этом примере показано, как запустить несколько экспериментов глубокого обучения на вашей локальной машине.
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
В этом примере показано, как использовать взвешенную градиентом активацию класса, сопоставляющую (CAM градиента) метод, чтобы изучить, почему нейронная сеть для глубокого обучения принимает свои решения классификации.
Изучите сетевые предсказания Используя поглощение газов
В этом примере показано, как использовать карты чувствительности поглощения газов, чтобы изучить, почему глубокая нейронная сеть принимает решение классификации.
Исследуйте решения классификации Используя методы приписывания градиента
В этом примере показано, как использовать карты приписывания градиента, чтобы заняться расследованиями, какие части изображения являются самыми важными для решений классификации, принятых глубокой нейронной сетью.
Исследуйте сетевые предсказания Используя отображение активации класса
В этом примере показано, как использовать отображение активации класса (CAM), чтобы исследовать и объяснить предсказания глубокой сверточной нейронной сети для классификации изображений.
Визуализируйте классификации изображений Используя максимальные и минимальные изображения активации
В этом примере показано, как использовать набор данных, чтобы узнать то, что активирует каналы глубокой нейронной сети.
Просмотрите Сетевое Поведение Используя tsne
В этом примере показано, как использовать tsne функционируйте, чтобы просмотреть активации в обучившем сеть.
Контролируйте процесс обучения GAN и идентифицируйте общие типы отказа
Узнать, как диагностировать и зафиксировать некоторые наиболее распространенные типы отказа в обучении GAN.
Глубокие изображения мечты Используя GoogLeNet
В этом примере показано, как сгенерировать изображения с помощью deepDreamImage с предварительно обученной сверточной нейронной сетью GoogLeNet.
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.
