Visualiser et vérifier des réseaux de neurones profonds
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.
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.
Catégories
- Visualisation et interprétabilité
Tracer la progression de l’apprentissage, évaluer la précision, expliquer les prédictions et visualiser les caractéristiques apprises par un réseau
- Vérification
Entraîner des réseaux robustes et vérifier la robustesse des réseaux
Sélection d՚exemples
Explore Network Predictions Using Deep Learning Visualization Techniques
Investigate network predictions using deep learning visualization techniques.
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.
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.
Understand Network Predictions Using LIME
Use locally interpretable model-agnostic explanations (LIME) to understand why a deep neural network makes a classification decision.
Build Simple App for Deep Learning Inference Using App Designer
Use App Designer to create an app that can classify images using a deep neural network. You can modify the app for other types of deep learning inference, for example, sequence classification or image regression.
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.
Verify Robustness of Deep Learning Neural Network
Verify the adversarial robustness of a deep learning neural network.
Detect Vanishing Gradients in Deep Neural Networks by Plotting Gradient Distributions
Monitor vanishing gradients while training a deep neural network.
