La traduction de cette page n'est pas à jour. Cliquez ici pour voir la dernière version en anglais.

Vérification du Deep Learning

Entraîner des réseaux robustes et vérifier la robustesse des réseaux

La vérification du Deep Learning est un ensemble de techniques d’évaluation des propriétés des réseaux de neurones profonds. Par exemple, vous pouvez vérifier les propriétés de robustesse d’un réseau, calculer les limites de valeur de la sortie du réseau et trouver des exemples contradictoires.

Le support package Verification Library Deep Learning Toolbox™ permet de tester les propriétés de robustesse des réseaux de Deep Learning. Utilisez cette bibliothèque pour vérifier si un réseau de Deep Learning est robuste par rapport à des exemples contradictoires et pour calculer les limites des valeurs de sortie pour un ensemble de limites de valeurs d’entrée.

Utilisez la fonction verifyNetworkRobustness pour vérifier la robustesse du réseau par rapport à des exemples antagonistes. Un réseau est robuste par rapport à des entrées contradictoires si la classe prédite du réseau ne change pas lorsque l’entrée est perturbée entre les limites d'entrée inférieures et supérieures spécifiées. Pour un ensemble de limites d’entrée, la fonction vérifie si le réseau est robuste par rapport aux exemples contradictoires entre ces limites d’entrée et renvoie verified, violated ou unproven.
Utilisez la fonction estimateNetworkOutputBounds pour estimer la plage de valeurs de sortie que le réseau renvoie lorsque l’entrée est entre les limites inférieures et supérieures spécifiées. Utilisez cette fonction pour estimer dans quelle mesure les prédictions du réseau sont sensibles aux perturbations en entrée.

Fonctions

`estimateNetworkOutputBounds`	Estimate output bounds of deep learning network (depuis R2022b)
`verifyNetworkRobustness`	Verify adversarial robustness of deep learning network (depuis R2022b)

Rubriques

Verify Robustness of Deep Learning Neural Network
This example shows how to verify the adversarial robustness of a deep learning neural network.
Deep Learning Visualization Methods
Learn about and compare deep learning visualization methods.

Exemples présentés

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.

Ouvrir le live script

Train Image Classification Network Robust to Adversarial Examples

Train a neural network that is robust to adversarial examples using fast gradient sign method (FGSM) adversarial training.

Ouvrir le live script

Train Robust Deep Learning Network with Jacobian Regularization

Train a neural network that is robust to adversarial examples using a Jacobian regularization scheme.

Ouvrir le live script

Generate Adversarial Examples for Semantic Segmentation

Generate adversarial examples for a semantic segmentation network using the basic iterative method (BIM).

Ouvrir le live script

Explore Semantic Segmentation Network Using Grad-CAM

Explore the predictions of a pretrained semantic segmentation network using Grad-CAM.

Ouvrir le live script

Interpret Deep Network Predictions on Tabular Data Using LIME

Use the locally interpretable model-agnostic explanations (LIME) technique to understand the predictions of a deep neural network classifying tabular data. You can use the LIME technique to understand which predictors are most important to the classification decision of a network.

Ouvrir le live script