学习摘要：Methods for interpreting and understanding deep neural networks下载

weixin_39820780 2019-09-27 06:30:17
关于论文“Methods for interpreting and understanding deep neural networks”的学习摘要
相关下载链接：//download.csdn.net/download/iyangdi/10136028?utm_source=bbsseo
...全文
104 回复 打赏 收藏 转发到动态 举报
写回复
用AI写文章
回复
切换为时间正序
请发表友善的回复…
发表回复
学习摘要：Methods for interpreting and understanding deep neural networks
关于论文“Methods for interpreting and understanding deep neural networks”的学习摘要
mnist-explanation:在MNIST数据集上试用DNN的复制技术
简单说明 在该存储库中，我尝试实现G. Montavon等人所述的解释方法。 在他们的Methods for Interpreting and Understanding Deep Neural Networks中的文章[1] 神经网络实施 在他们的原始论文中，研究人员就使用哪种深度神经网络（DNN）提供了建议，以最大程度地提高其解释性。 我们将遵循以下建议： 根据需要使用尽可能少的完全连接的层，并通过辍学来训练这些层 大量使用求和池层，并且比其他类型的池层更喜欢它们 在线性层（卷积和完全连接）中，将偏差限制为零或负 因此，我使用的是非常简单的CNN：使用Leaky RELU激活功能，将2个卷积层与相关的平均池化层紧随其后的是3个完全连接的层。 对于输出，我使用批处理归一化层，后跟S型以输出每个类的概率。 我将Adam优化器（使用PyTorch默认值）与分类交叉熵损失函数一起使用了10个
【全文翻译】EXPLAINABLE ARTIFICIAL INTELLIGENCE: UNDERSTANDING, VISUALIZING AND INTERPRETING DEEP LEARNING
随着大型数据库的可用性以及深度学习方法的最新改进，在越来越多的复杂任务上，人工智能系统的性能已经达到甚至超过了人类的水平。 这种发展的令人印象深刻的例子可以在诸如图像分类，情感分析，语音理解或战略游戏等领域中找到。 但是，由于它们嵌套的非线性结构，这些非常成功的机器学习和人工智能模型通常以黑匣子的方式应用，即，没有提供有关使它们准确达到其预测的信息。 由于缺乏透明度可能是主要的缺点，例如在医学应用中，用于可视化，解释和解释深度学习模型的方法的开发最近引起了越来越多的关注。 本文概述了该领域的最新发展，并呼吁
Pape之DL之CNN：2019《A Survey of the Recent Architectures of Deep Convolutional Neural Networks》翻译并解读第四章
Pape之DL之CNN：2019《A Survey of the Recent Architectures of Deep Convolutional Neural Networks》翻译并解读第四章：深度卷积神经网络的最新架构综述更新中……
Understanding Deep Networks via Extremal Perturbations and Smooth Masks
2021.12.11 第7篇(ICCV2019) 简读
下载资源悬赏专区

13,654

社区成员

12,578,414

社区内容

发帖
与我相关
我的任务
社区描述
CSDN 下载资源悬赏专区
其他 技术论坛（原bbs）
社区管理员
  • 下载资源悬赏专区社区
加入社区
  • 近7日
  • 近30日
  • 至今

加载中

查看更多榜单
社区公告
暂无公告

试试用AI创作助手写篇文章吧

+ 用AI写文章