이 번역 페이지는 최신 내용을 담고 있지 않습니다. 최신 내용을 영문으로 보려면 여기를 클릭하십시오.
검증
딥러닝 검증은 심층 신경망의 속성을 평가하기 위한 일련의 기법입니다. 예를 들면 신경망의 견고성 속성을 검증하고 신경망 출력 범위를 계산하고 적대적 표본을 찾고 분포 외(out-of-distribution) 데이터를 감지하고 산업 표준의 준수 여부를 확인할 수 있습니다.
Deep Learning Toolbox Verification Library 지원 패키지를 사용하면 딥러닝 신경망의 견고성 속성을 테스트할 수 있습니다.
verifyNetworkRobustness함수를 사용하여 적대적 표본에 대한 신경망의 견고성을 검증합니다. 지정된 입력 하한과 입력 상한 사이에서 입력값이 섭동되었을 때 신경망의 예측 클래스가 바뀌지 않는다면 이 신경망은 적대적 입력값에 대해 견고합니다. 입력 범위 집합에 대해, 함수는 신경망이 해당 입력 범위 사이에서 적대적 표본에 대해 견고한지 확인하고verified,violated또는unproven을 반환합니다.estimateNetworkOutputBounds함수를 사용하여 입력이 지정된 하한과 상한 사이에 있을 때 신경망이 반환하는 출력값의 범위를 추정합니다. 이 함수를 사용하여 신경망 예측이 입력 섭동에 얼마나 민감한지 추정합니다.networkDistributionDiscriminator함수를 사용하여 데이터를 분포 내(in-distribution) 데이터와 분포 외(out-of-distribution) 데이터로 분리하는 분포 판별기를 만듭니다.
함수
estimateNetworkOutputBounds | Compute output bounds of MATLAB, ONNX, and PyTorch networks (R2022b 이후) |
verifyNetworkRobustness | Verify adversarial robustness of MATLAB, ONNX, and PyTorch networks (R2022b 이후) |
networkDistributionDiscriminator | Deep learning distribution discriminator (R2023a 이후) |
isInNetworkDistribution | Determine whether data is within the distribution of the network (R2023a 이후) |
distributionScores | Distribution confidence scores (R2023a 이후) |
drise | Explain object detection network predictions using D-RISE (R2024a 이후) |
deep.gpu.deterministicAlgorithms | Set determinism of deep learning operations on the GPU to get reproducible results (R2024b 이후) |
객체
BaselineDistributionDiscriminator | Baseline distribution discriminator (R2023a 이후) |
EnergyDistributionDiscriminator | Energy distribution discriminator (R2023a 이후) |
ODINDistributionDiscriminator | ODIN distribution discriminator (R2023a 이후) |
HBOSDistributionDiscriminator | HBOS distribution discriminator (R2023a 이후) |
도움말 항목
- Verification of Neural Networks
Learn about verification of neural networks using AI Verification Library for Deep Learning Toolbox™.
- Verify Robustness of Deep Learning Neural Network
This example shows how to verify the adversarial robustness of a deep learning neural network.
- Verify Robustness of Imported ONNX Network
This example shows how to verify the adversarial robustness of an imported ONNX™ deep neural network. (R2024a 이후)
- Deep Learning Visualization Methods
Learn about and compare deep learning visualization methods.
- Out-of-Distribution Detection for Deep Neural Networks
This example shows how to detect out-of-distribution (OOD) data in deep neural networks.
- Verify an Airborne Deep Learning System
This example shows how to verify a deep learning system for airborne applications and is based on the work in [5,6,7], which includes the development and verification activities required by DO-178C [1], ARP4754A [2], and prospective EASA and FAA guidelines [3,4]. (R2023b 이후)
- Uncertainty Estimation for Regression (Statistics and Machine Learning Toolbox)
Learn about estimating the uncertainty of the true response for a regression problem.
추천 예제
Generate Untargeted and Targeted Adversarial Examples for Image Classification
Use the fast gradient sign method (FGSM) and the basic iterative method (BIM) to generate adversarial examples for a pretrained neural network.
Train Image Classification Network Robust to Adversarial Examples
Train a neural network that is robust to adversarial examples using fast gradient sign method (FGSM) adversarial training.
Train Robust Deep Learning Network with Jacobian Regularization
Train a neural network that is robust to adversarial examples using a Jacobian regularization scheme.
Generate Adversarial Examples for Semantic Segmentation
Generate adversarial examples for a semantic segmentation network using the basic iterative method (BIM).
Explore Semantic Segmentation Network Using Grad-CAM
Explore the predictions of a pretrained semantic segmentation network using Grad-CAM.
Interpret Deep Network Predictions on Numeric Feature Data Using LIME
Use the locally interpretable model-agnostic explanations (LIME) technique to understand the predictions of a deep neural network classifying numeric feature data. You can use the LIME technique to understand which predictors are most important to the classification decision of a network.
Out-of-Distribution Data Discriminator for YOLO v4 Object Detector
Detect out-of-distribution (OOD) data in a YOLO v4 object detector.
Out-of-Distribution Detection for BERT Document Classifier
Detect out-of-distribution data for a BERT document classifier.
Out-of-Distribution Detection for LSTM Document Classifier
Detect out-of-distribution (OOD) data in an LSTM document classifier.
GPU에서 신경망 훈련 재현하기
이 예제에서는 GPU에서 신경망을 여러 번 훈련시키고 동일한 결과를 얻는 방법을 보여줍니다.
