이 번역 페이지는 최신 내용을 담고 있지 않습니다. 최신 내용을 영문으로 보려면 여기를 클릭하십시오.
심층 신경망 시각화 및 검증하기
훈련하면서 또는 훈련을 마친 후 심층 신경망을 시각화합니다. 신경망의 정확도와 손실을 표현하는 내장 플롯을 사용하거나 사용자 지정 메트릭을 지정하여 훈련 진행 상황을 모니터링합니다. Grad-CAM, 가림(occlusion) 민감도, LIME, 딥 드림, D-RISE 같은 시각화 기법과 해석 가능성 기법을 사용하여 훈련된 신경망을 조사합니다.
딥러닝 검증 방법을 사용하여 심층 신경망의 속성을 평가합니다. 예를 들면 신경망의 견고성 속성을 검증하고 신경망 출력 범위를 계산하고 적대적 표본을 찾고 분포 외(out-of-distribution) 데이터를 감지할 수 있습니다.
카테고리
- 시각화 및 해석 가능성
훈련 진행 상황 플로팅, 정확도 평가, 예측 설명 및 신경망이 학습한 특징 시각화
- 검증
견고한 신경망을 훈련시키고 신경망의 견고성 검증
추천 예제
Explore Network Predictions Using Deep Learning Visualization Techniques
Investigate network predictions using deep learning visualization techniques.
딥러닝이 내린 결정에 대한 이유를 설명해 주는 Grad-CAM
이 예제에서는 Grad-CAM(gradient-weighted class activation mapping: 기울기 가중 클래스 활성화 매핑) 기법을 사용하여 딥러닝 신경망이 어떤 근거로 분류 결정을 내렸는지 이해하는 방법을 보여줍니다. Grad-CAM은 Selvaraju와 공동 저자[1]가 발명한 것으로, 영상을 분류할 때 입력 영상의 어느 부분이 가장 중요했는지 이해하기 위해 신경망이 판별한 컨벌루션 특징에 대한 분류 점수의 기울기를 사용합니다. 이 예제에서는 영상에 사전 훈련된 GoogLeNet 신경망을 사용합니다.
Interpret Deep Learning Time-Series Classifications Using Grad-CAM
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.
Understand Network Predictions Using LIME
Use locally interpretable model-agnostic explanations (LIME) to understand why a deep neural network makes a classification decision.
Build Simple App for Deep Learning Inference Using App Designer
Use App Designer to create an app that can classify images using a deep neural network. You can modify the app for other types of deep learning inference, for example, sequence classification or image regression.
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.
Verify Robustness of Deep Learning Neural Network
Verify the adversarial robustness of a deep learning neural network.
Detect Vanishing Gradients in Deep Neural Networks by Plotting Gradient Distributions
Monitor vanishing gradients while training a deep neural network.
