Main Content

可視化と検証

シーケンス データと表形式データを使用した、ニューラル ネットワークの動作の可視化、予測の説明、およびロバスト性の検証

学習中または学習後に深層ネットワークを可視化します。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。学習済みネットワークを調査するには、Grad-CAM などの可視化手法を使用します。

深層学習検証手法を使用して、深層ニューラル ネットワークの特性を評価します。たとえば、ネットワークのロバスト特性の検証、ネットワークの出力範囲の計算、および敵対的サンプルの検索を行うことができます。

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設計と可視化

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
trainingProgressMonitorMonitor and plot training progress for deep learning custom training loops (R2022b 以降)
updateInfoUpdate information values for custom training loops (R2022b 以降)
recordMetricsRecord metric values for custom training loops (R2022b 以降)
groupSubPlotGroup metrics in training plot (R2022b 以降)
plotニューラル ネットワーク アーキテクチャのプロット
predict推論用の深層学習ネットワーク出力の計算 (R2019b 以降)
minibatchpredictMini-batched neural network prediction (R2024a 以降)
scores2labelConvert prediction scores to labels (R2024a 以降)
gradCAMGrad-CAM を使用したネットワーク予測の説明 (R2021a 以降)
confusionchart分類問題用の混同行列チャートの作成
sortClasses混同行列チャートのクラスの並べ替え
rocmetricsReceiver operating characteristic (ROC) curve and performance metrics for binary and multiclass classifiers (R2022b 以降)
addMetricsCompute additional classification performance metrics (R2022b 以降)
averageCompute performance metrics for average receiver operating characteristic (ROC) curve in multiclass problem (R2022b 以降)

プロパティ

ConfusionMatrixChart PropertiesConfusion matrix chart appearance and behavior
ROCCurve PropertiesReceiver operating characteristic (ROC) curve appearance and behavior (R2022b 以降)

トピック

解釈可能性

学習の進行状況とパフォーマンス