Main Content

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 secuencia y en tablas.

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.

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.

Apps

Deep Network DesignerDiseñar, visualizar y entrenar redes de deep learning

Funciones

expandir todo

analyzeNetworkAnalyze deep learning network architecture
trainingProgressMonitorMonitor and plot training progress for deep learning custom training loops (desde R2022b)
updateInfoUpdate information values for custom training loops (desde R2022b)
recordMetricsRecord metric values for custom training loops (desde R2022b)
groupSubPlotGroup metrics in training plot (desde R2022b)
plotRepresentar una arquitectura de red neuronal
activationsCalcular las activaciones de las capas de una red de deep learning
gradCAMExplain network predictions using Grad-CAM (desde R2021a)
confusionchartCreate confusion matrix chart for classification problem
sortClassesSort classes of confusion matrix chart
rocmetricsReceiver operating characteristic (ROC) curve and performance metrics for binary and multiclass classifiers (desde R2022b)
addMetricsCompute additional classification performance metrics (desde R2022b)
averageCompute performance metrics for average receiver operating characteristic (ROC) curve in multiclass problem (desde R2022b)

Propiedades

ConfusionMatrixChart PropertiesConfusion matrix chart appearance and behavior
ROCCurve PropertiesReceiver operating characteristic (ROC) curve appearance and behavior (desde R2022b)

Temas

Interpretabilidad

  • Visualizar activaciones de redes de LSTM
    Este ejemplo muestra cómo investigar y visualizar las características aprendidas por las redes de LSTM extrayendo las activaciones.
  • Interpret Deep Learning Time-Series Classifications Using Grad-CAM
    This example shows how to 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.
  • View Network Behavior Using tsne
    This example shows how to use the tsne function to view activations in a trained network.
  • Deep learning en MATLAB
    Descubra las prestaciones de deep learning en MATLAB® utilizando redes neuronales convolucionales para clasificación y regresión, incluidas redes preentrenadas y transferencia del aprendizaje, así como entrenamiento en unidades de procesamiento gráfico (GPU), unidades CPU, clusters y nubes.
  • Deep Learning Tips and Tricks
    Learn how to improve the accuracy of deep learning networks.

Progreso y rendimiento del entrenamiento