可视化和验证

可视化神经网络行为、解释预测并使用图像数据验证稳健性

在训练期间和训练后，可视化深度网络。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。

使用深度学习验证方法来评估深度神经网络的属性。例如，您可以验证网络的稳健性属性，计算网络输出边界，并找到对抗示例。

类别

可视化深度神经网络
绘制训练进度、评估准确度、解释预测以及将图像网络学习的特征可视化
深度学习验证
训练稳健图像网络并验证图像网络稳健性

精选示例

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.