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、可視化、および学習

関数

すべて展開する

プロット

`analyzeNetwork`	深層学習ネットワークアーキテクチャの解析
`trainingProgressMonitor`	Monitor and plot training progress for deep learning custom training loops
`updateInfo`	Update information values for custom training loops
`recordMetrics`	Record metric values for custom training loops
`groupSubPlot`	Group metrics in training plot
`plot`	ニューラルネットワークアーキテクチャのプロット

特徴の可視化

`activations`	深層学習ネットワーク層の活性化の計算
`gradCAM`	Grad-CAM を使用したネットワーク予測の説明
`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
`rocmetrics`	Receiver operating characteristic (ROC) curve and performance metrics for binary and multiclass classifiers
`addMetrics`	Compute additional classification performance metrics
`average`	Compute performance metrics for average receiver operating characteristic (ROC) curve in multiclass problem

プロパティ

ConfusionMatrixChart Properties	Confusion matrix chart appearance and behavior
ROCCurve Properties	Receiver operating characteristic (ROC) curve appearance and behavior

トピック

解釈可能性

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。
Interpret Deep Learning Time-Series Classifications Using Grad-CAM
This example shows how to 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.
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。
MATLAB による深層学習
畳み込みニューラルネットワークを使用して分類や回帰を行う MATLAB^® の深層学習機能を確認します。これには、事前学習済みのネットワークと転移学習のほか、GPU、CPU、クラスター、およびクラウドでの学習が含まれます。
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。

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プロセスを監視する方法を示します。
Monitor Custom Training Loop Progress
Track and plot custom training loop progress.
ROC Curve and Performance Metrics
Use rocmetrics to examine the performance of a classification algorithm on a test data set.

注目の例

Investigate Spectrogram Classifications Using LIME

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 the imageLIME function to understand which features in the spectrogram data are most important for classification.

ライブスクリプトを開く