Visualizzazione e verifica delle reti neurali profonde
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.
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
- 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.
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.
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.
Understand Network Predictions Using LIME
Use locally interpretable model-agnostic explanations (LIME) to understand why a deep neural network makes a classification decision.
Build Simple App for Deep Learning Inference Using App Designer
Use App Designer to create an app that can classify images using a deep neural network. You can modify the app for other types of deep learning inference, for example, sequence classification or image regression.
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.
Verify Robustness of Deep Learning Neural Network
Verify the adversarial robustness of a deep learning neural network.
Detect Vanishing Gradients in Deep Neural Networks by Plotting Gradient Distributions
Monitor vanishing gradients while training a deep neural network.
