Administrativ information
| Titel | Byggnadsberäkningsgrafer, moderna arkitekturer |
| Varaktighet | 60 minuter |
| Modul | B |
| Typ av lektion | Föreläsning |
| Fokus | Tekniskt – Djupt lärande |
| Ämne | Beräkningsgrafer |
Nyckelord
neurala nätverk, beräkningsgraf, återstående anslutning, hoppa anslutning, djupinlärning,
Lärandemål
- Förstå grunderna i beräkningsgrafer, restförbindelser, motorvägsanslutningar och hoppa över anslutningar
Förväntad förberedelse
Lärande händelser som ska slutföras innan
Obligatoriskt för studenter
- Det funktionella API:et
- Han, K., Zhang, X., Ren, S., & Sun, J. (2016). Djup restinlärning för bildigenkänning. IEEE:s konferens om datorseende och mönsterigenkänning (s. 770–778).
- Srivastava, R. K., Greff, K., & Schmidhuber, J. (2015). Motorvägsnät. arXiv preprint arXiv:1505.00387.
Valfritt för studenter
Ingen.
Referenser och bakgrund för studenter
Ingen.
Rekommenderas för lärare
Ingen.
Lektionsmaterial
Instruktioner för lärare
I denna föreläsning är ett av huvudmålen att visa, att djupa neurala nätverk är beräkningsgrafer, som kan skala väl. I föreläsningen introduceras moderna arkitekturer, inklusive rest-, motorvägs- och hoppanslutningar, som tillämpas allmänt i neurala nätverk.
Konturer
- Beräkningsgrafer
- Bygga beräkningsgrafer med Keras
- Återstående anslutningar
- Motorvägsförbindelser
- Hoppa över anslutningar
| Varaktighet (min) | Beskrivning |
|---|---|
| 10 | Introduktion till beräkningsgrafer av neurala nätverk |
| 15 | Introduktion av funktionellt API för Keras med ett exempel |
| 10 | Beskrivning av återstående anslutningar med exempel källkod |
| 10 | Beskrivning av motorvägsförbindelser med exempel källkod |
| 10 | Beskrivning av hoppa anslutningar med exempel källkod |
| 5 | Sammanfattning och slutsatser |
Erkännanden
Balint Gyires-Tóth (Budapest University of Technology and Economics)
Masterprogrammet Human-Centered AI har samfinansierats av Fonden för ett sammanlänkat Europa i Europeiska unionen inom ramen för Grant CEF-TC-2020–1 Digital Skills 2020 EU-IA-0068.