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.

Visualización y verificación

Visualice el comportamiento de la red neuronal, explique predicciones y verifique la solidez con datos de imágenes

Visualice redes profundas durante el entrenamiento y después de este. Monitorice el progreso del entrenamiento usando gráficas integradas de precisión y pérdida de red. Para investigar redes entrenadas, puede usar técnicas de visualización como Grad-CAM, sensibilidad de oclusión, LIME y Deep Dream.

Use métodos de verificación de deep learning 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 y encontrar ejemplos adversarios.

Ejemplos destacados

Grad-CAM revela cómo se realiza la toma de decisiones en deep learning

En este ejemplo se muestra cómo utilizar la técnica de aplicación de activación de clase ponderada por gradiente (Grad-CAM) para entender por qué una red de deep learning toma unas decisiones de clasificación concretas. Grad-CAM, inventado por Selvaraju y otros autores [1], utiliza el gradiente de la puntuación de clasificación con respecto a las características convolucionales determinadas por la red para entender qué partes de la imagen son más importantes para la clasificación. En este ejemplo se usa la red preentrenada GoogLeNet para las imágenes.

Abrir script en vivo