我正在撰写一些关于谷歌的DeepDream的内容。可以使用DeepDream来检查学习过的网络，例如在谷歌的研究博客research blog google中提到的哑铃的例子。
在该例子中，网络被训练识别哑铃。然后他们使用DeepDream来查看网络学到了什么，结果发现网络训练得不好，因为它将哑铃加上手臂也识别为哑铃。

我的问题是，实际中如何检查网络？是使用DeepDream还是其他方法？

最诚挚的问候

回答：

通常在机器学习中，你会在一个未用于训练过程的数据集上验证你的学习网络（即测试集）。在这种情况下，你会有一组带有和不带有哑铃的例子用于训练模型，还有一组（同样包括带有和不带哑铃的）在训练过程中未见过的数据集。

当你有了模型后，你让它预测被保留数据集的标签。然后将这些预测的标签与实际的标签进行比较：

• 每当正确预测哑铃时，你增加真阳性（True Positives）的数量，
• 如果正确预测了没有哑铃的情况，你增加真阴性（True Negatives）的数量，
• 当预测了哑铃但实际上不应该是哑铃时，你增加假阳性（False Positives）的数量，
• 最后，如果预测没有哑铃但实际上有哑铃时，你增加假阴性（False Negatives）的数量。

基于这四个指标，你可以计算出诸如F1分数或准确率等指标来评估模型的性能。（请参考以下维基百科：https://en.wikipedia.org/wiki/F1_score）