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 Designer

Diseñar y visualizar redes de deep learning

Funciones

expandir todo

Gráficas

`analyzeNetwork`	Analyze deep learning network architecture
`trainingProgressMonitor`	Monitor and plot training progress for deep learning custom training loops (desde R2022b)
`updateInfo`	Update information values for custom training loops (desde R2022b)
`recordMetrics`	Record metric values for custom training loops (desde R2022b)
`groupSubPlot`	Group metrics in training plot (desde R2022b)
`plot`	Representar una arquitectura de red neuronal

Visualización de características

`predict`	Compute deep learning network output for inference
`minibatchpredict`	Mini-batched neural network prediction (desde R2024a)
`scores2label`	Convert prediction scores to labels (desde R2024a)
`gradCAM`	Explain network predictions using Grad-CAM (desde R2021a)
`confusionchart`	Crear una gráfica de matriz de confusión para un problema de clasificación
`sortClasses`	Sort classes of confusion matrix chart
`rocmetrics`	Receiver operating characteristic (ROC) curve and performance metrics for binary and multiclass classifiers (desde R2022b)
`addMetrics`	Compute additional classification performance metrics (desde R2022b)
`average`	Compute performance metrics for average receiver operating characteristic (ROC) curve in multiclass problem (desde R2022b)

Propiedades

ConfusionMatrixChart Properties	Confusion matrix chart appearance and behavior
ROCCurve Properties	Receiver 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.
Trucos y consejos de deep learning
Aprenda a mejorar la precisión de redes de deep learning.

Progreso y rendimiento del entrenamiento

Monitorizar el progreso del entrenamiento de deep learning
Este ejemplo muestra cómo monitorizar el proceso de entrenamiento en redes de deep learning.
Monitor Custom Training Loop Progress
Track and plot custom training loop progress.
ROC Curve and Performance Metrics
Use rocmetrics to examine the performance of a classification algorithm on a test data set.

Ejemplos destacados

Investigate Spectrogram Classifications Using LIME

Use locally interpretable model-agnostic explanations (LIME) to investigate the robustness of a deep convolutional neural network trained to classify spectrograms. LIME is a technique for visualizing which parts of an observation contribute to the classification decision of a network. This example uses the imageLIME function to understand which features in the spectrogram data are most important for classification.

Abrir script en vivo

Investigate Audio Classifications Using Deep Learning Interpretability Techniques

Use interpretability techniques to investigate the predictions of a deep neural network trained to classify audio data.

Abrir script en vivo

Pronóstico de series de tiempo mediante deep learning

Este ejemplo muestra cómo pronosticar datos de series de tiempo mediante una red de memoria de corto-largo plazo (LSTM).

Abrir script en vivo

Train Speech Command Recognition Model Using Deep Learning

Train a deep learning model that detects the presence of speech commands in audio. The example uses the Speech Commands Dataset [1] to train a convolutional neural network to recognize a set of commands.

Abrir script en vivo

Chemical Process Fault Detection Using Deep Learning

Use simulation data to train a neural network than can detect faults in a chemical process.

Abrir script en vivo