Main Content

Visualisierung und Verifikation

Visualisierung des Verhaltens neuronaler Netze, Erklärung von Vorhersagen und Überprüfung der Robustheit anhand von Sequenz- und Tabellendaten

Visualisieren Sie tiefe Netze während und nach dem Training. Überwachen Sie den Trainingsfortschritt mithilfe integrierter Netzgenauigkeits- und Netzverlustdiagramme. Um trainierte Netze zu untersuchen, können Sie Visualisierungstechniken wie Grad-CAM verwenden.

Verwenden Sie Deep-Learning-Verifikationsmethoden 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.

Apps

Deep Network DesignerEntwurf und Visualisierung von Deep-Learning-Netzen

Funktionen

alle erweitern

analyzeNetworkAnalyze deep learning network architecture
trainingProgressMonitorMonitor and plot training progress for deep learning custom training loops (Seit R2022b)
updateInfoUpdate information values for custom training loops (Seit R2022b)
recordMetricsRecord metric values for custom training loops (Seit R2022b)
groupSubPlotGroup metrics in training plot (Seit R2022b)
plotPlot neural network architecture
predictCompute deep learning network output for inference (Seit R2019b)
minibatchpredictMini-batched neural network prediction (Seit R2024a)
scores2labelConvert prediction scores to labels (Seit R2024a)
gradCAMExplain network predictions using Grad-CAM (Seit R2021a)
confusionchartCreate confusion matrix chart for classification problem
sortClassesSort classes of confusion matrix chart
rocmetricsReceiver operating characteristic (ROC) curve and performance metrics for binary and multiclass classifiers (Seit R2022b)
addMetricsCompute additional classification performance metrics (Seit R2022b)
averageCompute performance metrics for average receiver operating characteristic (ROC) curve in multiclass problem (Seit R2022b)

Eigenschaften

ConfusionMatrixChart PropertiesConfusion matrix chart appearance and behavior
ROCCurve PropertiesReceiver operating characteristic (ROC) curve appearance and behavior (Seit R2022b)

Themen

Interpretierbarkeit

Trainingsfortschritt und Leistung