Deep-Learning-Verifikation
Die Deep-Learning-Verifikation ist eine Reihe von Techniken zur Bewertung der Eigenschaften von tiefen neuronalen Netzen. So können Sie beispielsweise die Robustheitseigenschaften eines Netzes überprüfen, Ausgangsgrenzen des Netzes berechnen und manipulierte Beispiele finden.
Das Supportpaket für die Deep Learning Toolbox™-Verifikationsbibliothek ermöglicht das Testen der Robustheitseigenschaften von Deep-Learning-Netzen. Verwenden Sie diese Bibliothek, um zu überprüfen, ob ein Deep-Learning-Netz robust gegenüber manipulierten Beispielen ist, um die Ausgangsgrenzen für einen Satz von Eingangsgrenzen zu berechnen und um Daten außerhalb der Verteilung zu erkennen.
Verwenden Sie die Funktion
verifyNetworkRobustness
, um die Robustheit des Netzes gegenüber manipulierten Beispielen zu überprüfen. Ein Netz ist robust gegenüber manipulierten Eingaben, wenn sich die vorhergesagte Klasse des Netzes nicht ändert, wenn die Eingabe zwischen der festgelegten unteren und oberen Eingabegrenze gestört wird. Für einen Satz von Eingangsgrenzen prüft die Funktion, ob das Netz robust gegenüber manipulierten Beispielen zwischen diesen Eingangsgrenzen ist, und gibt entwederverified
,violated
oderunproven
aus.Verwenden Sie die Funktion
estimateNetworkOutputBounds
, um den Bereich der Ausgangswerte abzuschätzen, den das Netz zurückgibt, wenn die Eingabe zwischen den angegebenen unteren und oberen Grenzen liegt. Verwenden Sie diese Funktion, um abzuschätzen, wie empfindlich die Netzvorhersagen auf Eingabestörungen reagieren.Verwenden Sie die Funktion
networkDistributionDiscriminator
, um einen Verteilungsdiskriminator zu erstellen, der eine Unterteilung in Daten innerhalb und Daten außerhalb der Verteilung vornimmt.
Funktionen
estimateNetworkOutputBounds | Estimate output bounds of deep learning network (Seit R2022b) |
verifyNetworkRobustness | Verify adversarial robustness of deep learning network (Seit R2022b) |
networkDistributionDiscriminator | Deep learning distribution discriminator (Seit R2023a) |
isInNetworkDistribution | Determine whether data is within the distribution of the network (Seit R2023a) |
distributionScores | Distribution confidence scores (Seit R2023a) |
Themen
- Verify Robustness of Deep Learning Neural Network
This example shows how to verify the adversarial robustness of a deep learning neural network.
- Deep Learning Visualization Methods
Learn about and compare deep learning visualization methods.