可視化と解釈可能性
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進行状況を監視します。Grad-CAM、オクルージョン感度、LIME、Deep Dream などの可視化手法を使用して、学習済みネットワークを調査します。
深層学習の可視化手法
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設計と可視化 |
オブジェクト
trainingProgressMonitor | 深層学習カスタム学習ループの学習進行状況の監視およびプロット (R2022b 以降) |
関数
プロパティ
| ConfusionMatrixChart Properties | Confusion matrix chart appearance and behavior |
| ROCCurve Properties | Receiver operating characteristic (ROC) curve appearance and behavior (R2022b 以降) |
トピック
学習の進行状況とパフォーマンス
- 深層学習における学習の進行状況の監視
この例では、深層学習ネットワークの学習の進行状況を監視する方法を示します。 - Monitor Custom Training Loop Progress
Track and plot custom training loop progress. - GAN の学習過程の監視と一般的な故障モードの識別
GAN の学習で最も一般的な故障モードを診断し修復する方法を学びます。 - ROC Curve and Performance Metrics
Userocmetricsto examine the performance of a classification algorithm on a test data set. - Compare Deep Learning Models Using ROC Curves
This example shows how to use receiver operating characteristic (ROC) curves to compare the performance of deep learning models. - Define Custom Metric Function
Define custom deep learning metrics using functions. - Define Custom Deep Learning Metric Object
Learn how to define custom deep learning metrics using custom classes. - Define Custom Metric Object
This example shows how to define a custom metric for deep learning tasks. - Deep Learning Metrics
Comparison of metrics for deep learning tasks.
解釈可能性
- Explore Network Predictions Using Deep Learning Visualization Techniques
This example shows how to investigate network predictions using deep learning visualization techniques. - オクルージョンを使用したネットワーク予測の理解
この例では、オクルージョン感度マップを使用して、深層ニューラル ネットワークによる分類の判定理由を理解する方法を説明します。 - LIME を使用した表形式データに関する深層ネットワークの予測の解釈
この例では、Locally Interpretable Model-agnostic Explanations (LIME) 技術を使用し、表形式データの分類を行う深層ニューラル ネットワークの予測を解釈する方法を説明します。 - Investigate Spectrogram Classifications Using LIME
This example shows how to 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 theimageLIMEfunction to understand which features in the spectrogram data are most important for classification. - 勾配属性の手法を使用した分類判定の調査
この例では、勾配属性マップを使用して、深層ニューラル ネットワークによって分類の判定が行われる際にイメージのどの部分が最も重要かを調査する方法を説明します。 - クラス活性化マッピングを使用したネットワークの予測の調査
この例では、クラス活性化マッピング (CAM) を使用して、深層畳み込みニューラル ネットワークによるイメージ分類の予測を調査し説明する方法を示します。 - 最大および最小の活性化イメージを使用したイメージ分類の可視化
この例では、データ セットを使用して何が深層ニューラル ネットワークのチャネルを活性化するか発見する方法を説明します。 - tsne を使用したネットワークの動作の表示
この例では、関数tsneを使用して学習済みネットワークの活性化を表示する方法を説明します。 - LSTM ネットワークの活性化の可視化
この例では、活性化を抽出し、LSTM ネットワークによって学習された特徴を調査して可視化する方法を説明します。 - 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。 - 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。 - 深層学習の可視化手法
深層学習の可視化手法の説明と比較
注目の例
勾配分布のプロットによる深層ニューラル ネットワークの勾配消失の検出
この例では、深層ニューラル ネットワークの学習中に勾配消失を監視する方法を説明します。
Grad-CAM での深層学習による判定の理由の解明
この例では、勾配加重クラス活性化マッピング (Grad-CAM) 手法を使用して、深層学習ネットワークによってその分類の判定が行われた理由を理解する方法を説明します。Selvaraju と共著者 [1] によって考案された Grad-CAM では、ネットワークにより決定する畳み込みの特徴についての分類スコアの勾配を使用して、イメージのどの部分が分類に最も重要であるかを理解します。この例では、イメージに GoogLeNet の事前学習済みのネットワークを使用します。
Grad-CAM を使用した深層学習時系列分類の解釈
この例では、勾配加重クラス活性化マッピング (Grad-CAM) 手法を使用して、時系列データで学習させた 1 次元畳み込みニューラル ネットワークによる分類判定を理解する方法を説明します。
LIME を使用したネットワーク予測の理解
この例では、Locally Interpretable Model-agnostic Explanations (LIME) を使用し、深層ニューラル ネットワークによる分類の判定理由を解釈する方法を説明します。
Grad-CAM を使用したセマンティック セグメンテーション ネットワークの調査
この例では、Grad-CAM を使用して事前学習済みのセマンティック セグメンテーション ネットワークの予測を調査する方法を説明します。
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.
GoogLeNet を使用した Deep Dream イメージ
この例では、事前学習済みの畳み込みニューラル ネットワーク GoogLeNet で deepDreamImage を使用してイメージを生成する方法を説明します。
Detect Issues During Deep Neural Network Training
Automatically detect issues while training a deep neural network.
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.
