Administrativní informace
| Název | Tvorba výpočetních grafů, moderní architektury |
| Trvání | 60 minut |
| Modul | B |
| Typ lekce | Přednáška |
| Soustředění | Technické – hluboké učení |
| Téma | Výpočetní grafy |
Klíčová slova
neuronové sítě, výpočetní graf, zbytkové připojení, skip připojení, hluboké učení,
Vzdělávací cíle
- Pochopení základů výpočetních grafů, zbytkových spojů, dálničních spojení a přeskočení spojení
Očekávaná příprava
Vzdělávací akce, které mají být dokončeny před
Povinné pro studenty
- Funkční API
- He, K., Zhang, X., Ren, S., & Sun, J. (2016). Hluboké zbytkové učení pro rozpoznávání obrazu. Ve Sborníku IEEE konference o počítačovém vidění a rozpoznávání vzorů (s. 770–778).
- Srivastava, R. K., Greff, K., & Schmidhuber, J. (2015). Dálniční sítě. arXiv předtisk arXiv:1505.00387.
Volitelné pro studenty
Žádné.
Reference a zázemí pro studenty
Žádné.
Doporučeno pro učitele
Žádné.
Materiály pro výuku
Pokyny pro učitele
V této přednášce je jedním z hlavních cílů ukázat, že hluboké neuronové sítě jsou výpočetní grafy, které mohou dobře škálovat. V přednášce jsou představeny moderní architektury, včetně zbytkových, dálničních a skipových spojení, které jsou široce používány v neuronových sítích.
Obrys
- Výpočetní grafy
- Tvorba výpočetních grafů s Keras
- Zbytková připojení
- Dálniční spojení
- Přeskočit připojení
| Doba trvání (Min) | Popis |
|---|---|
| 10 | Úvod do výpočetních grafů neuronových sítí |
| 15 | Představení funkčního API Kerasu s příkladem |
| 10 | Popis zbytkových spojů s ukázkovým zdrojovým kódem |
| 10 | Popis dálničního spojení s ukázkovým zdrojovým kódem |
| 10 | Popis přeskočení spojení s ukázkovým zdrojovým kódem |
| 5 | Shrnutí a závěry |
Potvrzení
Balint Gyires-Tóth (Budapešťská technologická a ekonomická univerzita)
Program Human-Centered AI Masters byl spolufinancován Nástrojem Evropské unie pro propojení Evropy v rámci grantu CEF-TC-2020–1 Digitální dovednosti 2020-EU-IA-0068.