Exponenta Banner
exponenta event banner

Глубокая настройка обучения и визуализация

Управление экспериментами, планирование хода обучения, оценка точности, объяснение прогнозов, настройка параметров обучения и визуализация функций, полученных сетью

Настройка параметров обучения и повышение производительности сети за счет подметки гиперпараметров или использования байесовской оптимизации. Используйте Experiment Manager для управления экспериментами глубокого обучения, которые обучают сети в различных начальных условиях и сравнивают результаты. Контролировать ход обучения с помощью встроенных графиков точности и потерь сети. Для исследования обученных сетей можно использовать такие методы визуализации, как Grad-CAM, чувствительность к окклюзии, LIME и глубокий сон. Можно также исследовать надежность сети, используя примеры состязательности, и протестировать обученную сеть, делая прогнозы с использованием новых данных.

Часто просматриваемые темы
  • Глубокая настройка обучения
    Программная настройка параметров обучения, возобновление обучения с контрольной точки и изучение состязательных примеров
  • Визуализация глубокого обучения
    Планирование хода обучения, оценка точности, объяснение прогнозов и визуализация функций, полученных сетью
  • Опыты глубокого обучения
    Обучение сетей в различных начальных условиях, интерактивная настройка вариантов обучения и оценка результатов

Характерные примеры

Classify Webcam Images Using Deep Learning

Классификация изображений веб-камеры с помощью глубокого обучения

Классифицируйте изображения с веб-камеры в режиме реального времени с помощью предварительно обученной глубокой сверточной нейронной сети GoogLeNet.

Открыть сценарий
Understand Network Predictions Using Occlusion

Понимание сетевых прогнозов с помощью окклюзии

Используйте карты чувствительности окклюзии, чтобы понять, почему глубокая нейронная сеть принимает решение о классификации. Чувствительность к окклюзии - это простой метод понимания того, какие части изображения наиболее важны для классификации глубокой сети. Можно измерить чувствительность сети к окклюзии в различных областях данных, используя небольшие возмущения данных. Используйте чувствительность к окклюзии, чтобы получить общее представление о том, какие функции изображения использует сеть для создания определенной классификации, и чтобы понять причины, по которым сеть может неправильно классифицировать изображение.

Открыть сценарий в реальном времени
Understand Network Predictions Using LIME

Понимание сетевых прогнозов с использованием LIME

Используйте локально интерпретируемые модели-агностические объяснения (LIME), чтобы понять, почему глубокая нейронная сеть принимает решение о классификации.

Открыть сценарий в реальном времени
Use Experiment Manager to Train Networks in Parallel

Использование диспетчера экспериментов для параллельного обучения сетей

Параллельное обучение глубоких сетей с помощью Experiment Manager.

Открыть пример
Try Multiple Pretrained Networks for Transfer Learning

Попробуйте несколько предварительно подготовленных сетей для обучения трансферу

Настройте эксперимент, который заменяет уровни различных предварительно подготовленных сетей для обучения передаче.

Открыть пример
Choose Training Configurations for Sequence-to-Sequence Regression

Выбор учебных конфигураций для регрессии последовательности к последовательности

Сравнение различных конфигураций предварительной обработки данных и сетевой глубины для регрессии последовательности к последовательности.

Открыть пример

Документация по инструментам для глубокого обучения

Поддержка