Visualiser et vérifier des réseaux de neurones profonds

Visualiser le comportement du réseau, expliquer les prédictions et vérifier la robustesse

Visualisez les réseaux profonds pendant et après l’apprentissage. Surveillez la progression de l’apprentissage avec des tracés prédéfinis des fonctions de précision et de perte du réseau ou en spécifiant des métriques personnalisées. Analysez des réseaux entraînés avec des techniques de visualisation et d’interprétabilité comme Grad-CAM, la sensibilité aux occlusions, LIME, DeepDream et D-RISE.

Vous pouvez utiliser l’application Deep Network Designer pour créer et visualiser des réseaux de Deep Learning de manière interactive. Vous pouvez ensuite générer du code pour recréer la construction du réseau et exporter des réseaux entraînés dans Simulink^®.

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, trouver des exemples contradictoires et détecter les données hors distribution.

Exemples présentés

Explore Network Predictions Using Deep Learning Visualization Techniques

Investigate network predictions using deep learning visualization techniques.

Ouvrir le live script

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.

Ouvrir le live script

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.

Ouvrir le live script

Understand Network Predictions Using LIME

Use locally interpretable model-agnostic explanations (LIME) to understand why a deep neural network makes a classification decision.

Ouvrir le live script

Démarrer avec la classification d’images

Cet exemple montre comment utiliser l’application Deep Network Designer pour créer un réseau de neurones à convolution simple pour la classification Deep Learning. Les réseaux de neurones à convolution sont des outils essentiels pour le Deep Learning et conviennent parfaitement à la reconnaissance d'images.

Ouvrir le live script