深層ニューラル ネットワークの可視化
学習の進行状況のプロット、精度の評価、予測の説明、およびイメージ 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。
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
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
解釈可能性
- 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 - 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。 - 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 theimageLIME
function 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。 - 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。
学習の進行状況とパフォーマンス
- 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
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
Userocmetrics
to 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.