Adminisztratív információk
Cím | Épületszámítási gráfok, modern architektúrák |
Időtartam | 60 perc |
Modul | B |
Lecke típusa | Előadás |
Fókusz | Technikai – Mély tanulás |
Téma | Számítási grafikonok |
Kulcsszó
neurális hálózatok, számítási grafikon, reziduális kapcsolat, kihagyás, mély tanulás,
Tanulási célok
- A számítástechnikai grafikonok, a fennmaradó összeköttetések, az autópálya-kapcsolatok és az átugrási összeköttetések alapjainak megértése
Várható előkészítés
Az előtt befejezendő tanulási események
Kötelező a diákok számára
- Funkcionális API
- Ő, K., Zhang, X., Ren, S., & Sun, J. (2016). Mély maradék tanulás a képfelismeréshez. A számítógépes látásról és mintafelismerésről szóló IEEE konferencia eljárásai (770–778. o.).
- Srivastava, R. K., Greff, K., & Schmidhuber, J. (2015). Autópálya hálózatok. arXiv preprint arXiv:1505.00387.
Választható diákok számára
Egy sem.
Referenciák és háttér a diákok számára
Egy sem.
Ajánlott tanároknak
Egy sem.
Leckeanyagok
Utasítások tanároknak
Ebben az előadásban az egyik fő cél annak bizonyítása, hogy a mély neurális hálózatok számítási gráfok, amelyek jól skálázhatók. Az előadásban a neurális hálózatokban széles körben alkalmazott modern architektúrák kerülnek bevezetésre, beleértve a maradék-, autópálya- és átugrási kapcsolatokat is.
Vázlat
- Számítási gráfok
- Számítógépes gráfok építése Keras-szal
- Maradványcsatlakozók
- Autópálya-összeköttetések
- Csatlakozások kihagyása
Időtartam (min) | Leírás |
---|---|
10 | Bevezetés a neurális hálózatok számítási gráfjaiba |
15 | A Keras funkcionális API-jának bevezetése egy példával |
10 | A maradványkapcsolatok leírása példakóddal |
10 | Az autópálya-összeköttetések leírása példakóddal |
10 | A példakóddal való átugrási kapcsolatok leírása |
5 | Összefoglaló és következtetések |
Visszaigazolások
Gyires-Tóth Balint (Budapesti Műszaki és Gazdaságtudományi Egyetem)
A Human-Centered AI Masters programot az Európai Unió Európai Hálózatfinanszírozási Eszköze (CEF-TC-2020–1 Digitális készségek 2020 EU-IA-0068) társfinanszírozta.