最新のリリースでは、このページがまだ翻訳されていません。 このページの最新版は英語でご覧になれます。

深層学習の調整および可視化

学習の進行状況のプロット、精度の評価、予測の実行、学習オプションの調整、ネットワークによって学習された特徴の可視化

ネットワークの精度と損失の組み込みプロットを使用して深層学習の進行状況を監視します。ネットワークのパフォーマンスを改善するには、学習オプションを調整したり、ベイズ最適化を使用して最適なハイパーパラメーターを検索したりします。学習済みのネットワークを調査するため、ネットワークによって学習された特徴を可視化して Deep Dream が可視化されるようにできます。新しいデータを使用して予測を行うことによって、学習済みのネットワークをテストします。

アプリ

ディープ ネットワーク デザイナー深層学習ネットワークの編集および構築

関数

すべて展開する

analyzeNetwork深層学習ネットワーク アーキテクチャの解析
plotニューラル ネットワークの層グラフのプロット
trainingOptions深層学習ニューラル ネットワークの学習のオプション
trainNetwork深層学習用のニューラル ネットワークの学習
activations深層学習ネットワーク層の活性化の計算
predict学習済み深層学習ニューラル ネットワークを使用した応答の予測
classify学習済み深層学習ニューラル ネットワークを使用したデータの分類
predictAndUpdateState学習済み再帰型ニューラル ネットワークを使用した応答の予測およびネットワークの状態の更新
classifyAndUpdateState学習済み再帰型ニューラル ネットワークを使用したデータの分類およびネットワークの状態の更新
resetState再帰型ニューラル ネットワークの状態のリセット
deepDreamImageDeep Dream を使用したネットワークの特徴の可視化
occlusionSensitivityDetermine how input data affects output activations by occluding input
confusionchartCreate confusion matrix chart for classification problem
ConfusionMatrixChart PropertiesConfusion matrix chart appearance and behavior
sortClassesSort classes of confusion matrix chart

トピック

調整

パラメーターの設定と畳み込みニューラル ネットワークの学習

畳み込みニューラル ネットワークの学習パラメーターの設定方法を学習します。

チェックポイント ネットワークからの学習の再開

畳み込みニューラル ネットワークの学習時にチェックポイント ネットワークを保存する方法と以前に保存したネットワークから学習を再開する方法を学習します。

ベイズ最適化を使用した深層学習

この例では、深層学習にベイズ最適化を適用して、畳み込みニューラル ネットワークに最適なネットワーク ハイパーパラメーターと学習オプションを求める方法を説明します。

Run Multiple Deep Learning Experiments in Parallel

This example shows how to run multiple deep learning experiments on your local machine. Using this example as a template, you can modify the network layers and training options to suit your specific application needs. You can use this approach with a single or multiple GPUs. If you have a single GPU, the networks train one after the other in the background. The approach in this example enables you to continue using MATLAB® while deep learning experiments are in progress.

Train Network Using Custom Training Loop

This example shows how to train a network that classifies handwritten digits with a custom learning rate schedule.

深層学習のヒントとコツ

深層学習ネットワークの精度を改善する方法を学習します。

可視化

深層学習を使用した Web カメラ イメージの分類

この例では、事前学習済みの深層畳み込みニューラル ネットワーク GoogLeNet を使用して、Web カメラのイメージをリアルタイムで分類する方法を説明します。

深層学習における学習の進行状況の監視

深層学習のネットワークに学習させる場合、学習の進行状況を監視すると役に立つことがよくあります。

Grad-CAM での深層学習による判定の理由の解明

Grad-CAM でネットワークによる判定の理由を解明します。

Understand Network Predictions Using Occlusion

This example shows how to use occlusion sensitivity maps to understand why a deep neural network makes a classification decision. Occlusion sensitivity is a simple technique for understanding which parts of an image are most important for a deep network's classification. You can measure a network's sensitivity to occlusion in different regions of the data using small perturbations of the data. Use occlusion sensitivity to gain a high-level understanding of what image features a network uses to make a particular classification, and to provide insight into the reasons why a network can misclassify an image.

Investigate Network Predictions Using Class Activation Mapping

This example shows how to use class activation mapping (CAM) to investigate and explain the predictions of a deep convolutional neural network for image classification.

View Network Behavior Using tsne

This example shows how to use the tsne function to view activations in a trained network. This view can help you understand how a network works.

畳み込みニューラル ネットワークの活性化の可視化

この例では、畳み込みニューラル ネットワークにイメージを供給して、ネットワークのさまざまな層の活性化を表示する方法を説明します。

Visualize Activations of LSTM Network

This example shows how to investigate and visualize the features learned by LSTM networks by extracting the activations.

畳み込みニューラル ネットワークの特徴の可視化

この例では、畳み込みニューラル ネットワークによって学習された特徴を可視化する方法を説明します。

注目の例