Visualizar y verificar redes neuronales profundas

Visualice el comportamiento de la red, explique predicciones y verifique la solidez

Visualice redes profundas durante el entrenamiento y después de este. Monitorice el progreso del entrenamiento usando gráficas integradas de precisión y pérdida de red o especificando métricas personalizadas. Investigue redes entrenadas usando técnicas de visualización e interpretabilidad como Grad-CAM, sensibilidad de oclusión, LIME, Deep Dream y D-RISE.

Puede usar la app Deep Network Designer para crear y visualizar redes de deep learning de forma interactiva. Después puede generar código para recrear el diseño de la red y exportar redes entrenadas a Simulink^®.

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, encontrar ejemplos adversarios y detectar datos fuera de distribución.

Ejemplos destacados

Explore Network Predictions Using Deep Learning Visualization Techniques

Investigate network predictions using deep learning visualization techniques.

Abrir script en vivo

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

Interpret Deep Learning Time-Series Classifications Using Grad-CAM

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.

Abrir script en vivo

Understand Network Predictions Using LIME

Use locally interpretable model-agnostic explanations (LIME) to understand why a deep neural network makes a classification decision.

Abrir script en vivo

Introducción a la clasificación de imágenes

Este ejemplo muestra cómo crear una red neuronal convolucional sencilla para la clasificación mediante deep learning utilizando la app Deep Network Designer. Las redes neuronales convolucionales son herramientas fundamentales en deep learning y resultan especialmente adecuadas para reconocer imágenes.

Abrir script en vivo