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

Visualisation et vérification

Visualiser le comportement du réseau de neurones, expliquer les prédictions et vérifier la robustesse avec des images

Visualisez les réseaux profonds pendant et après l’apprentissage. Surveillez la progression de l’apprentissage en utilisant des tracés prédéfinis des fonctions de précision et de perte du réseau. Pour analyser des réseaux entraînés, vous pouvez utiliser des techniques de visualisation comme Grad-CAM, la sensibilité aux occlusions, LIME et DeepDream.

Utilisez des méthodes de vérification du Deep Learning pour évaluer les 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.

Exemples présentés

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.