Informazioni amministrative
Titolo | Costruire grafici computazionali, architetture moderne |
Durata | 60 minuti |
Modulo | B |
Tipo di lezione | Lezione |
Focus | Tecnico — Apprendimento profondo |
Argomento | Grafici computazionali |
Parole chiave
reti neurali, grafico computazionale, connessione residua, collegamento saltato, deep learning,
Obiettivi di apprendimento
- Comprendere i fondamenti dei grafici computazionali, delle connessioni residue, dei collegamenti autostradali e dei collegamenti saltati
Preparazione prevista
Eventi di apprendimento da completare prima
Obbligatorio per gli studenti
- L'API funzionale
- He, K., Zhang, X., Ren, S., & Sun, J. (2016). Apprendimento residuo profondo per il riconoscimento delle immagini. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (pp. 770-778).
- Srivastava, R. K., Greff, K., & Schmidhuber, J. (2015). Reti autostradali. arXiv preprint arXiv:1505.00387.
Facoltativo per gli studenti
Nessuno.
Referenze e background per gli studenti
Nessuno.
Consigliato per gli insegnanti
Nessuno.
Materiale didattico
Istruzioni per gli insegnanti
In questa lezione uno degli obiettivi principali è quello di mostrare che le reti neurali profonde sono grafici computazionali, che possono scalare bene. Nella lezione vengono introdotte architetture moderne, tra cui connessioni residue, autostrade e skip, che sono ampiamente applicate nelle reti neurali.
Contorno
- Grafici computazionali
- Costruire grafici computazionali con Keras
- Connessioni residue
- Collegamenti autostradali
- Salta le connessioni
Durata (min) | Descrizione |
---|---|
10 | Introduzione ai grafici computazionali delle reti neurali |
15 | Introduzione di API funzionali di Keras con un esempio |
10 | Descrizione delle connessioni residue con codice sorgente di esempio |
10 | Descrizione dei collegamenti autostradali con codice sorgente di esempio |
10 | Descrizione delle connessioni saltate con il codice sorgente di esempio |
5 | Sintesi e conclusioni |
Riconoscimenti
Balint Gyires-Tóth (Università di Tecnologia ed Economia di Budapest)
Il programma Human-Centered AI Masters è stato co-finanziato dal meccanismo per collegare l'Europa dell'Unione europea nell'ambito della sovvenzione CEF-TC-2020-1 Digital Skills 2020-EU-IA-0068.