Verwaltungsinformationen
| Titel | Konvolutionelle neuronale Netze |
| Dauer | 60 |
| Modulen | B |
| Unterrichtstyp | Vortrag |
| Fokussierung | Technisches – Deep Learning |
| Themenbereich | Deep Learning |
Suchbegriffe
CNN, Python, Tiefes Lernen,
Lernziele
- Um zu wissen, was ein CNN ist und seine Hauptunterschiede mit Densely-connected NN
- Um den Hauptunterschied zwischen Locally-Connected Layers zu Convolutional zu kennen
- So konfigurieren Sie eine CNN-Ebene
- Pooling und Batch-Normalisierungsschichten
- Um die berühmtesten CNNs kennen zu lernen: LeNet, AlexNet, ResNet, VGG16, AllConvNet
Erwartete Vorbereitung
Lernveranstaltungen, die vorab abgeschlossen werden müssen
Obligatorisch für Studenten
- Theorie zu Künstlichen neuronalen Netzen
Optional für Studenten
- Keine
Referenzen und Hintergründe für Studierende
- Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. Mit Presse. — Kapitel 9
Empfohlen für Lehrer
- Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. Mit Presse. — Kapitel 9
Unterrichtsmaterialien
Anleitung für Lehrer
Dieser Vortrag führt die Studierenden in die Convolutional Neural Networks (CNNs) ein und erklärt die Hauptunterschiede zwischen klassischen Fully-Connected Layern und Convolutional-Schichten. Die Vorteile der Gewichtsverteilung durch die Convolutional Layer werden zusammen mit einem Vergleich mit den Locally-Connected Layern vorgestellt und diskutiert. Der Convolution-Operator wird eingeführt, und Kernelgröße, Schritt und Polsterung werden als Haupthyperparameter einer Convolutional-Schicht diskutiert. Anschließend werden Pooling- und Batch-Normalisierungsschichten als Teil mehrerer CNN-Architekturen eingeführt. Um besser zu verstehen, was eine Convolutional Layer gelernt hat, werden Möglichkeiten zur Visualisierung von erlernten Filtern eingeführt. Schließlich wird eine Einführung in die berühmtesten CNN-Architekturen wie NetworkInNetwork und LeNet vorgestellt.
- Einführung in CNNs
- Hauptprobleme zu vollvernetzten Layern für hochdimensionale Daten
- Convolutionaloperator
- Beschreibung einer konvolutionalen Schicht in Bezug auf Neuronen
- Faltungsschichten
- Haupteigenschaften einer Convolutional Layer
- Lokale Konnektivität
- Gewichtsverteilung
- Konvolutionsschicht-Hyperparameter
- Filtergröße
- Schreiten
- Polsterung
- Haupteigenschaften einer Convolutional Layer
- Pooling-Schichten
- Ebenen visualisieren
- Bekannte Architekturen
- LeNet
- Nin
Zeitplan
| Dauer (min) | Beschreibung | Konzepte | Aktivität | Werkstoffe |
|---|---|---|---|---|
| 10 | Einführung in CNNs | |||
| 15 | Faltungsschichten | |||
| 5 | Pooling-Schichten | |||
| 15 | Ebenen visualisieren | |||
| 15 | Bekannte Architekturen |
Danksagung
Wir danken Eng. Andrea Apicella für seinen Beitrag zur Entwicklung des Materials.
Das Human-Centered AI Masters-Programm wurde von der Fazilität „Connecting Europe“ der Europäischen Union im Rahmen des Zuschusses „CEF-TC-2020-1 Digital Skills 2020-EU-IA-0068“ kofinanziert.