帮助中心帮助中心

本页的翻译已过时。点击此处可查看最新英文版本。

深度学习调整和可视化

以交互方式构建和训练网络、管理试验、绘制训练进度、评估准确度、解释预测、调整训练选项以及将网络学习的特征可视化

使用深度网络设计器以交互方式构建、可视化、编辑和训练深度学习网络。通过扫描超参数或使用贝叶斯优化来调整训练选项并提高网络性能。使用试验管理器管理在各种初始条件下训练网络的深度学习试验，并比较结果。使用内置的网络准确度和损失图监控训练进度。为了研究经过训练的网络，您可以使用可视化方法，如 Grad-CAM、遮挡敏感度、LIME 和 Deep Dream。您还可以使用对抗示例来研究网络的稳健性，并通过使用新数据进行预测来测试经过训练的网络。

相关主题

类别

深度网络设计器
以交互方式创建和训练深度学习网络
试验管理器
在多个初始条件下训练网络，以交互方式调整训练选项，并评估结果
深度学习调整
以编程方式调整训练选项，从检查点继续训练，并研究对抗示例
深度学习可视化
绘制训练进度、评估准确度、解释预测以及将网络学习的特征可视化

特色示例

使用深度学习对网络摄像头图像进行分类

使用深度学习对网络摄像头图像进行分类

此示例说明如何使用预训练的深度卷积神经网络 GoogLeNet 实时对来自网络摄像头的图像进行分类。

使用深度网络设计器进行迁移学习

使用深度网络设计器进行迁移学习

以交互方式微调预训练的深度学习网络以学习新的图像分类任务。

打开实时脚本

Understand Network Predictions Using LIME

Understand Network Predictions Using LIME

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

打开实时脚本

Try Multiple Pretrained Networks for Transfer Learning

Try Multiple Pretrained Networks for Transfer Learning

Configure an experiment that replaces layers of different pretrained networks for transfer learning.

Choose Training Configurations for LSTM Using Bayesian Optimization

Choose Training Configurations for LSTM Using Bayesian Optimization

Find optimal data architecture and network configurations for sequence-to-sequence regression using Bayesian optimization.

Use Experiment Manager to Train Generative Adversarial Networks (GANs)

Use Experiment Manager to Train Generative Adversarial Networks (GANs)

Create a custom training experiment to generate images of flowers.