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
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 thetsne
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
Userocmetrics
to examine the performance of a classification algorithm on a test data set.