Visualisieren und Verifizieren von tiefen neuronalen Netzen

Visualisierung des Netzverhaltens, Erklärung von Vorhersagen und Überprüfung der Fehlerresistenz

Visualisieren Sie tiefe Netze während und nach dem Training. Überwachen Sie den Trainingsfortschritt mithilfe integrierter Diagramme für die Genauigkeit und den Verlust des Netzes oder durch Angabe benutzerdefinierter Metriken. Untersuchen Sie trainierter Netze mithilfe von Visualisierungs- und Interpretationsverfahren wie Grad-CAM, Okklusionsempfindlichkeit, LIME, Deep Dream und D-RISE.

Mit der App Deep Network Designer können Sie interaktiv Deep-Learning-Netze erstellen und visualisieren. Sie können dann Code generieren, um die Netzkonstruktion neu zu erstellen und trainierte Netze nach Simulink^® zu exportieren.

Verwenden Sie Deep-Learning-Verifikationsmethoden zur Bewertung der Eigenschaften von tiefen neuronalen Netzen. So können Sie beispielsweise die Fehlerresistenzeigenschaften eines Netzes überprüfen, Grenzen für die Netzausgabe berechnen, gegnerische Beispiele finden und Daten außerhalb der Verteilung erkennen.

Enthaltene Beispiele

Explore Network Predictions Using Deep Learning Visualization Techniques

Investigate network predictions using deep learning visualization techniques.

Live Script öffnen

Grad-CAM Reveals the Why Behind Deep Learning Decisions

Use the gradient-weighted class activation mapping (Grad-CAM) technique to understand why a deep learning network makes its classification decisions. Grad-CAM, invented by Selvaraju and coauthors [1], uses the gradient of the classification score with respect to the convolutional features determined by the network in order to understand which parts of the image are most important for classification. This example uses the GoogLeNet pretrained network for images.

Live Script öffnen

Interpret Deep Learning Time-Series Classifications Using Grad-CAM

Use the gradient-weighted class activation mapping (Grad-CAM) technique to understand the classification decisions of a 1-D convolutional neural network trained on time-series data.

Live Script öffnen

Understand Network Predictions Using LIME

Use locally interpretable model-agnostic explanations (LIME) to understand why a deep neural network makes a classification decision.

Live Script öffnen

Erste Schritte in der Bildklassifizierung

In diesem Beispiel wird gezeigt, wie ein einfaches Convolutional Neural Network zur Deep-Learning-Klassifizierung mit der App Deep Network Designer erstellt wird. Convolutional Neural Networks sind wichtige Werkzeuge für das Deep Learning und eignen sich vor allem für die Bilderkennung.

Live Script öffnen