Informacje administracyjne
| Tytuł | Budowanie wykresów obliczeniowych, nowoczesnej architektury |
| Czas trwania | 60 minut |
| Moduł | B |
| Rodzaj lekcji | Wykład |
| Skupienie | Techniczne – głębokie uczenie się |
| Temat | Wykresy obliczeniowe |
Słowa kluczowe
sieci neuronowe, wykres obliczeniowy, połączenie szczątkowe, pominięcie połączenia, głębokie uczenie się,
Cele w zakresie uczenia się
- Zrozumienie podstaw wykresów obliczeniowych, połączeń rezydualnych, połączeń autostradowych i połączeń pominiętych
Oczekiwane przygotowanie
Wydarzenia edukacyjne, które należy ukończyć przed
Obowiązkowe dla studentów
- Funkcjonalne API
- On, K., Zhang, X., Ren, S., & Sun, J. (2016). Głębokie uczenie się szczątków w celu rozpoznawania obrazu. W Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (s. 770-778).
- Srivastava, R. K., Greff, K., Schmidhuber, J. (2015). Sieci autostrad. arXiv preprint arXiv:1505.00387.
Opcjonalne dla studentów
Brak.
Referencje i tło dla studentów
Brak.
Zalecane dla nauczycieli
Brak.
Materiały do lekcji
Instrukcje dla nauczycieli
W tym wykładzie jednym z głównych celów jest pokazanie, że głębokie sieci neuronowe są wykresami obliczeniowymi, które mogą dobrze skalować. W wykładzie wprowadzane są nowoczesne architektury, w tym połączenia rezydualne, autostradowe i pomijane, które są szeroko stosowane w sieciach neuronowych.
Zarys
- Wykresy obliczeniowe
- Tworzenie wykresów obliczeniowych z Keras
- Pozostałe połączenia
- Połączenia autostradowe
- Pomijanie połączeń
| Czas trwania (min) | Opis |
|---|---|
| 10 | Wprowadzenie do wykresów obliczeniowych sieci neuronowych |
| 15 | Wprowadzenie funkcjonalnego API Keras z przykładem |
| 10 | Opis połączeń rezydualnych z przykładowym kodem źródłowym |
| 10 | Opis połączeń autostradowych z przykładowym kodem źródłowym |
| 10 | Opis połączeń pomijanych z przykładowym kodem źródłowym |
| 5 | Podsumowanie i wnioski |
Potwierdzenia
Balint Gyires-Tóth (Uniwersytet Technologiczny i Ekonomiczny w Budapeszcie)
Program Masters zorientowany na człowieka został współfinansowany przez instrument „Łącząc Europę” Unii Europejskiej w ramach grantu CEF-TC-2020-1 Umiejętności cyfrowe 2020-EU-IA-0068.