Hallinnolliset tiedot
Otsikko | Rakennuslaskennalliset kaaviot, modernit arkkitehtuurit |
Kesto | 60 minuuttia |
Moduuli | B |
Oppitunnin tyyppi | Luento |
Keskittyminen | Tekninen – syväoppiminen |
Aihe | Laskennalliset kaaviot |
Avainsanoja
neuroverkot, laskennallinen kaavio, jäännösliitäntä, ohitusyhteys, syväoppiminen,
Oppimistavoitteet
- Laskennallisten kaavioiden, jäännösyhteyksien, valtatieyhteyksien ja ohitusyhteyksien perusteiden ymmärtäminen
Odotettu valmistelu
Oppimistapahtumat valmistuvat ennen
Pakollinen opiskelijoille
- Toiminnallinen API
- Hän, K., Zhang, X., Ren, S. & Sun, J. (2016). Syvä jäännösoppiminen kuvantunnistukseen. The Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition Näytä tarkat tiedot
- Srivastava, R. K., Greff, K., & Schmidhuber, J. (2015). Moottoritieverkot. arXiv preprint arXiv:1505.00387.
Valinnainen opiskelijoille
Ei mitään.
Referenssejä ja taustaa opiskelijoille
Ei mitään.
Suositellaan opettajille
Ei mitään.
Oppituntimateriaalit
Ohjeita opettajille
Tässä luennossa yksi päätavoitteista on osoittaa, että syvät hermoverkot ovat laskennallisia kaavioita, jotka voivat skaalautua hyvin. Luennossa otetaan käyttöön nykyaikaisia arkkitehtuureja, mukaan lukien jäännös-, valtatie- ja ohitusyhteydet, joita käytetään laajalti hermoverkoissa.
Hahmotella
- Laskennalliset kaaviot
- Rakennuslaskennalliset kaaviot Kerasin kanssa
- Jäännösliitännät
- Valtatieyhteydet
- Ohita yhteydet
Kesto (Min) | Kuvaus |
---|---|
10 | Johdanto neuroverkkojen laskennallisiin kaavioihin |
15 | Kerasin toiminnallisen API:n käyttöönotto esimerkillä |
10 | Kuvaus jäännösliitännöistä esimerkin lähdekoodiin |
10 | Moottoritieyhteyksien kuvaus esimerkin lähdekoodilla |
10 | Skip-yhteyksien kuvaus esimerkin lähdekoodilla |
5 | Yhteenveto ja päätelmät |
Tunnustukset
Balint Gyires-Tóth (Budapestin teknillinen ja taloudellinen yliopisto)
Human-Centered AI Masters -ohjelmaa rahoitettiin Euroopan unionin Verkkojen Eurooppa -välineestä (CEF-TC-2020–1 Digital Skills 2020-EU-IA-0068).