시각화 및 검증

시퀀스 및 테이블 형식 데이터를 사용하여 신경망 동작 시각화, 예측 설명, 견고성 검증

훈련하면서 또는 훈련을 마친 후 심층 신경망을 시각화합니다. 신경망의 정확도와 손실을 표현하는 내장 플롯을 사용하여 훈련 진행 상황을 모니터링합니다. 훈련된 신경망을 조사하기 위해 Grad-CAM 같은 시각화 기법을 사용할 수 있습니다.

딥러닝 검증 방법을 사용하여 심층 신경망의 속성을 평가합니다. 예를 들면 신경망의 견고성 속성을 검증하고 신경망 출력 범위를 계산하고 적대적 표본을 찾을 수 있습니다.

앱

심층 신경망 디자이너

딥러닝 신경망을 설계하고 시각화합니다

함수

모두 확장

플롯

`analyzeNetwork`	딥러닝 신경망 아키텍처 분석
`trainingProgressMonitor`	Monitor and plot training progress for deep learning custom training loops (R2022b 이후)
`updateInfo`	Update information values for custom training loops (R2022b 이후)
`recordMetrics`	Record metric values for custom training loops (R2022b 이후)
`groupSubPlot`	Group metrics in training plot (R2022b 이후)
`plot`	신경망 아키텍처 플로팅

특징 시각화

`predict`	Compute deep learning network output for inference (R2019b 이후)
`minibatchpredict`	Mini-batched neural network prediction (R2024a 이후)
`scores2label`	Convert prediction scores to labels (R2024a 이후)
`gradCAM`	Explain network predictions using Grad-CAM (R2021a 이후)
`confusionchart`	Create confusion matrix chart for classification problem
`sortClasses`	Sort classes of confusion matrix chart
`rocmetrics`	Receiver operating characteristic (ROC) curve and performance metrics for binary and multiclass classifiers (R2022b 이후)
`addMetrics`	Compute additional classification performance metrics (R2022b 이후)
`average`	Compute performance metrics for average receiver operating characteristic (ROC) curve in multiclass problem (R2022b 이후)

속성

ConfusionMatrixChart Properties	Confusion matrix chart appearance and behavior
ROCCurve Properties	Receiver operating characteristic (ROC) curve appearance and behavior (R2022b 이후)

도움말 항목

해석 가능성

LSTM 신경망의 활성화 시각화
이 예제에서는 활성화를 추출하여 LSTM 신경망에서 학습한 특징을 검사하고 시각화하는 방법을 보여줍니다.
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.
View Network Behavior Using tsne
This example shows how to use the tsne function to view activations in a trained network.
MATLAB의 딥러닝
사전 훈련된 신경망 및 전이 학습, 그리고 GPU, CPU, 클러스터 및 클라우드에서의 훈련 등 분류 및 회귀에 컨벌루션 신경망을 사용하여 MATLAB^®의 딥러닝 기능을 알아봅니다.
딥러닝 팁과 요령
딥러닝 신경망의 정확도를 높이는 방법을 알아봅니다.

훈련 진행 상황 및 성능

딥러닝 훈련 진행 상황 모니터링하기
이 예제에서는 딥러닝 신경망의 훈련 진행 상황을 모니터링하는 방법을 보여줍니다.
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.

추천 예제

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.

라이브 스크립트 열기

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.

라이브 스크립트 열기

딥러닝을 사용한 시계열 전망

이 예제에서는 장단기 기억(LSTM) 신경망을 사용하여 시계열 데이터를 전망하는 방법을 보여줍니다.

라이브 스크립트 열기

딥러닝을 사용해 음성 명령 인식 모델 훈련시키기

이 예제에서는 오디오에서 음성 명령의 존재 여부를 감지하는 딥러닝 모델을 훈련시키는 방법을 보여줍니다. 이 예제에서는 Speech Commands Dataset[1]을 사용하여 컨벌루션 신경망이 명령 세트를 인식하도록 훈련시킵니다.

라이브 스크립트 열기

Chemical Process Fault Detection Using Deep Learning

Use simulation data to train a neural network than can detect faults in a chemical process.

라이브 스크립트 열기