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

Visualizzazione e verifica delle reti neurali profonde

Visualizzare il comportamento della rete, spiegare le predizioni e verificare la solidità

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 o specificando delle metriche personalizzate. Esaminare le reti addestrate utilizzando tecniche di visualizzazione e interpretabilità come Grad-CAM, sensibilità all'occlusione, LIME, deep dream e D-RISE.

È possibile utilizzare l'applicazione Deep Network Designer per costruire e visualizzare in modo interattivo le reti di Deep Learning. È quindi possibile generare codice per ricreare la costruzione della rete ed esportare le reti addestrate su Simulink^®.

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, trovare esempi avversari e rilevare i dati fuori distribuzione.

Categorie

App Deep Network Designer
Creare e modificare le reti di Deep Learning in modo interattivo
Visualizzazione e interpretabilità
Tracciare i progressi dell'addestramento, valutare la precisione, spiegare le previsioni e visualizzare le feature apprese da una rete
Verifica
Addestrare reti solide e verificare la solidità della rete

Esempi in primo piano

Explore Network Predictions Using Deep Learning Visualization Techniques

Investigate network predictions using deep learning visualization techniques.

Apri live script

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.

Apri live script

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.

Apri live script

Understand Network Predictions Using LIME

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

Apri live script

Come iniziare con la classificazione delle immagini

Questo esempio mostra come creare una rete neurale convoluzionale semplice per la classificazione tramite Deep Learning utilizzando l'applicazione Deep Network Designer. Le reti neurali convoluzionali sono strumenti essenziali per il Deep Learning e sono particolarmente adatte per il riconoscimento di immagini.

Apri live script

Generate Untargeted and Targeted Adversarial Examples for Image Classification

Use the fast gradient sign method (FGSM) and the basic iterative method (BIM) to generate adversarial examples for a pretrained neural network.

Apri live script

Verify Robustness of Deep Learning Neural Network

Verify the adversarial robustness of a deep learning neural network.

Apri live script

Detect Vanishing Gradients in Deep Neural Networks by Plotting Gradient Distributions

Monitor vanishing gradients while training a deep neural network.

Apri live script