La traducción de esta página aún no se ha actualizado a la versión más reciente. Haga clic aquí para ver la última versión en inglés.

Verificación

Entrene redes sólidas y verifique la solidez de la red

La verificación de deep learning es un conjunto de técnicas para evaluar las propiedades de las redes neuronales profundas. Por ejemplo, puede verificar las propiedades de solidez de una red, calcular los límites de salida de la red, encontrar ejemplos adversarios y detectar datos fuera de distribución.

El paquete de soporte Deep Learning Toolbox™ Verification Library permite realizar pruebas de la solidez de las propiedades de redes de deep learning.

Use la función verifyNetworkRobustness para verificar la solidez de la red con ejemplos adversarios. Una red es sólida frente a entradas adversarias si la clase predicha de la red no cambia cuando la entrada se perturba entre los límites de entrada inferior y superior especificados. Para un conjunto de límites de entrada, la función comprueba si la red es sólida frente a ejemplos adversarios entre esos límites de entrada y devuelve verified, violated o unproven.
Use la función estimateNetworkOutputBounds para estimar el intervalo de valores de salida que devuelve la red cuando la entrada está entre los límites inferior y superior especificados. Use esta función para estimar la sensibilidad de las predicciones de la red con respecto a la perturbación de la entrada.
Utilice la función networkDistributionDiscriminator para crear un discriminador de distribución que separe los datos en datos fuera de distribución y dentro de distribución.

Funciones

`estimateNetworkOutputBounds`	Estimate output bounds of deep learning network (desde R2022b)
`verifyNetworkRobustness`	Verify adversarial robustness of deep learning network (desde R2022b)
`networkDistributionDiscriminator`	Deep learning distribution discriminator (desde R2023a)
`isInNetworkDistribution`	Determine whether data is within the distribution of the network (desde R2023a)
`distributionScores`	Distribution confidence scores (desde R2023a)

Objetos

`BaselineDistributionDiscriminator`	Baseline distribution discriminator (desde R2023a)
`EnergyDistributionDiscriminator`	Energy distribution discriminator (desde R2023a)
`ODINDistributionDiscriminator`	ODIN distribution discriminator (desde R2023a)
`HBOSDistributionDiscriminator`	HBOS distribution discriminator (desde R2023a)

Temas

Verify Robustness of Deep Learning Neural Network
This example shows how to verify the adversarial robustness of a deep learning neural network.
Deep Learning Visualization Methods
Learn about and compare deep learning visualization methods.
Out-of-Distribution Detection for Deep Neural Networks
This example shows how to detect out-of-distribution (OOD) data in deep neural networks.

Ejemplos destacados

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.

Abrir script en vivo

Train Image Classification Network Robust to Adversarial Examples

Train a neural network that is robust to adversarial examples using fast gradient sign method (FGSM) adversarial training.

Abrir script en vivo

Train Robust Deep Learning Network with Jacobian Regularization

Train a neural network that is robust to adversarial examples using a Jacobian regularization scheme.

Abrir script en vivo

Generate Adversarial Examples for Semantic Segmentation

Generate adversarial examples for a semantic segmentation network using the basic iterative method (BIM).

Abrir script en vivo

Explore Semantic Segmentation Network Using Grad-CAM

Explore the predictions of a pretrained semantic segmentation network using Grad-CAM.

Abrir script en vivo

Interpret Deep Network Predictions on Tabular Data Using LIME

Use the locally interpretable model-agnostic explanations (LIME) technique to understand the predictions of a deep neural network classifying tabular data. You can use the LIME technique to understand which predictors are most important to the classification decision of a network.

Abrir script en vivo

Out-of-Distribution Data Discriminator for YOLO v4 Object Detector

Detect out-of-distribution (OOD) data in a YOLO v4 object detector.

Abrir script en vivo