Visualisation et vérification

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

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.

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.

Applications

Deep Network Designer

Concevoir et visualiser des réseaux de Deep Learning

Fonctions

développer tout

Tracés

`analyzeNetwork`	Analyze deep learning network architecture
`trainingProgressMonitor`	Monitor and plot training progress for deep learning custom training loops (depuis R2022b)
`updateInfo`	Update information values for custom training loops (depuis R2022b)
`recordMetrics`	Record metric values for custom training loops (depuis R2022b)
`groupSubPlot`	Group metrics in training plot (depuis R2022b)
`plot`	Plot neural network architecture

Visualisation des caractéristiques

`predict`	Compute deep learning network output for inference (depuis R2019b)
`minibatchpredict`	Mini-batched neural network prediction (depuis R2024a)
`scores2label`	Convert prediction scores to labels (depuis R2024a)
`gradCAM`	Explain network predictions using Grad-CAM (depuis R2021a)
`confusionchart`	Create confusion matrix chart for classification problem
`sortClasses`	Sort classes of confusion matrix chart
`rocmetrics`	Receiver operating characteristic (ROC) curve and performance metrics for binary and multiclass classifiers (depuis R2022b)
`addMetrics`	Compute additional classification performance metrics (depuis R2022b)
`average`	Compute performance metrics for average receiver operating characteristic (ROC) curve in multiclass problem (depuis R2022b)

Propriétés

ConfusionMatrixChart Properties	Confusion matrix chart appearance and behavior
ROCCurve Properties	Receiver operating characteristic (ROC) curve appearance and behavior (depuis R2022b)

Rubriques

Interprétabilité

Visualize Activations of LSTM Network
This example shows how to investigate and visualize the features learned by LSTM networks by extracting the activations.
Interpret Deep Learning Time-Series Classifications Using Grad-CAM
This example shows how to 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.
View Network Behavior Using tsne
This example shows how to use the tsne function to view activations in a trained network.
Deep Learning in MATLAB
Discover deep learning capabilities in MATLAB^® using convolutional neural networks for classification and regression, including pretrained networks and transfer learning, and training on GPUs, CPUs, clusters, and clouds.
Deep Learning Tips and Tricks
Learn how to improve the accuracy of deep learning networks.

Progression et performance de l’apprentissage

Surveiller la progression de l'apprentissage du Deep Learning
Cet exemple montre comment surveiller la progression de l’apprentissage des réseaux de Deep Learning.
Monitor Custom Training Loop Progress
Track and plot custom training loop progress.
ROC Curve and Performance Metrics
Use rocmetrics to examine the performance of a classification algorithm on a test data set.

Exemples présentés

Investigate Spectrogram Classifications Using LIME

Use locally interpretable model-agnostic explanations (LIME) to investigate the robustness of a deep convolutional neural network trained to classify spectrograms. LIME is a technique for visualizing which parts of an observation contribute to the classification decision of a network. This example uses the imageLIME function to understand which features in the spectrogram data are most important for classification.

Ouvrir le live script

Investigate Audio Classifications Using Deep Learning Interpretability Techniques

Use interpretability techniques to investigate the predictions of a deep neural network trained to classify audio data.

Ouvrir le live script

Prévision de séries temporelles avec le Deep Learning

Cet exemple montre comment prévoir des données de séries temporelles avec un réseau LSTM (long short-term memory).

Ouvrir le live script

Train Speech Command Recognition Model Using Deep Learning

Train a deep learning model that detects the presence of speech commands in audio. The example uses the Speech Commands Dataset [1] to train a convolutional neural network to recognize a set of commands.

Ouvrir le live script

Chemical Process Fault Detection Using Deep Learning

Use simulation data to train a neural network than can detect faults in a chemical process.

Ouvrir le live script