如何检查经过训练的神经网络
How to check a trained neural network
我正在写一些关于 googles deepdream 的文章。可以使用 deepdream 学习网络进行检查，请参阅 research blog google 哑铃示例。
在这个例子中，网络被训练来识别哑铃。然后他们使用 deepdream 查看网络学到了什么，结果是网络训练不好。因为它把哑铃加手臂识别为哑铃
我的问题是，网络在实践中将如何检查？用 deepdream 还是其他什么方法？
最诚挚的问候
通常在机器学习中，您会在训练过程中未使用的数据集（测试集）上验证您学习的网络。因此，在这种情况下，您将拥有一组用于训练模型的带哑铃和不带哑铃的示例，以及一组在训练过程中未看到的示例（也包括哑铃和不带哑铃）。
有了模型后，就让它预测保留集的标签。然后将这些预测标签与实际标签进行比较：
- 每次你正确预测哑铃时，你都会增加真阳性的数量，
- 如果它正确预测没有哑铃，则增加真负数
- 当它预测了一个哑铃，但它不应该是一个时，增加误报的数量
- 最后，如果它预测没有哑铃，但有一个，则增加假阴性的数量
基于这四项，您可以计算 F1 分数或准确性等指标来计算模型的性能。 （看看下面的 wiki：https://en.wikipedia.org/wiki/F1_score ）
我正在写一些关于 googles deepdream 的文章。可以使用 deepdream 学习网络进行检查，请参阅 research blog google 哑铃示例。
在这个例子中，网络被训练来识别哑铃。然后他们使用 deepdream 查看网络学到了什么，结果是网络训练不好。因为它把哑铃加手臂识别为哑铃
我的问题是，网络在实践中将如何检查？用 deepdream 还是其他什么方法？
最诚挚的问候
通常在机器学习中，您会在训练过程中未使用的数据集（测试集）上验证您学习的网络。因此，在这种情况下，您将拥有一组用于训练模型的带哑铃和不带哑铃的示例，以及一组在训练过程中未看到的示例（也包括哑铃和不带哑铃）。
有了模型后，就让它预测保留集的标签。然后将这些预测标签与实际标签进行比较：
- 每次你正确预测哑铃时，你都会增加真阳性的数量，
- 如果它正确预测没有哑铃，则增加真负数
- 当它预测了一个哑铃，但它不应该是一个时，增加误报的数量
- 最后，如果它预测没有哑铃，但有一个，则增加假阴性的数量
基于这四项，您可以计算 F1 分数或准确性等指标来计算模型的性能。 （看看下面的 wiki：https://en.wikipedia.org/wiki/F1_score ）