Visualizar y verificar redes neuronales profundas
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.
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.
Categorías
- Visualización e interpretabilidad
Represente el progreso del entrenamiento, evalúe la precisión, explique predicciones y visualice las características aprendidas por una red
- Verificación
Entrene redes sólidas y verifique la solidez de la red
Ejemplos destacados
Explore Network Predictions Using Deep Learning Visualization Techniques
Investigate network predictions using deep learning visualization techniques.
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.
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.
Understand Network Predictions Using LIME
Use locally interpretable model-agnostic explanations (LIME) to understand why a deep neural network makes a classification decision.
Build Simple App for Deep Learning Inference Using App Designer
Use App Designer to create an app that can classify images using a deep neural network. You can modify the app for other types of deep learning inference, for example, sequence classification or image regression.
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.
Verify Robustness of Deep Learning Neural Network
Verify the adversarial robustness of a deep learning neural network.
Detect Vanishing Gradients in Deep Neural Networks by Plotting Gradient Distributions
Monitor vanishing gradients while training a deep neural network.
