La traduzione di questa pagina non è aggiornata. Fai clic qui per vedere l'ultima versione in inglese.

Visualizzazione e verifica

Visualizzare il comportamento della rete neurale, spiegare le predizioni e verificare la solidità utilizzando i dati dell’immagine

Visualizzare le reti profonde durante e dopo l’addestramento. Monitorare i progressi dell'addestramento utilizzando i grafici integrati sulla precisione e sulla perdita della rete. Per esaminare le reti addestrate, è possibile utilizzare tecniche di visualizzazione come Grad-CAM, sensibilità all'occlusione, LIME e deep dream.

Utilizzare i metodi di verifica del Deep Learning per valutare le proprietà delle reti neurali profonde. Ad esempio, è possibile verificare le proprietà di solidità di una rete, calcolare i limiti di output della rete e trovare esempi avversari.

Categorie

Visualizzazione delle reti neurali profonde
Tracciare i progressi dell'addestramento, valutare la precisione, spiegare le previsioni e visualizzare le feature apprese da una rete di immagini
Verifica del Deep Learning
Addestrare reti di immagini solide e verificare la solidità della rete di immagini

Esempi in primo piano

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.