Hallinnolliset tiedot
| Otsikko | Konvolutionaaliset neuroverkot |
| Kesto | 60 |
| Moduuli | B |
| Oppitunnin tyyppi | Luento |
| Keskittyminen | Tekninen – syväoppiminen |
| Aihe | Syväoppiminen |
Avainsanoja
CNN,Python, Syvä oppiminen,
Oppimistavoitteet
- Tietää, mikä on CNN ja sen tärkeimmät erot tiheästi kytketty NN
- Tietää tärkein ero paikallisesti kytkettyjen kerrosten ja konvolutionaalisten kerrosten välillä
- Kuinka määrittää CNN-taso
- Yhdistelmä- ja erä normalisointikerrokset
- Tunnetuimmat CNN:t: LeNet, AlexNet, ResNet, VGG16, AllConvNet
Odotettu valmistelu
Oppimistapahtumat valmistuvat ennen
Pakollinen opiskelijoille
- Teoria keinotekoisista neuroverkoista
Valinnainen opiskelijoille
- Ei mitään
Referenssejä ja taustaa opiskelijoille
- Goodfellow, I., Bengio, Y., & Courville, A. (2016). Syväoppimista. MIT:n lehdistö. — 9 luku
Suositellaan opettajille
- Goodfellow, I., Bengio, Y., & Courville, A. (2016). Syväoppimista. MIT:n lehdistö. — 9 luku
Oppituntimateriaalit
Ohjeita opettajille
Tämä luento esittelee opiskelijat Convolutional Neural Networks (CNNs), joka selittää tärkeimmät erot klassisen Fully-Connected kerrokset ja Convolutional niistä. Convolutional Layerin tuomat painonjaon edut esitellään ja niistä keskustellaan yhdessä paikallisen yhteyden muodostavien kerrosten vertailun kanssa. Convolution-operaattori esitellään, ja ytimen kokoa, askelta ja pehmustusta käsitellään Convolutional-kerroksen keskeisinä hyperparametreina. Sitten pooling ja erä Normalization kerrokset otetaan käyttöön osana useita CNN arkkitehtuureja. Jotta voitaisiin paremmin selvittää, mitä Convolutional-kerros on oppinut, otetaan käyttöön mahdollisia tapoja visualisoida opittuja suodattimia. Lopuksi esitellään tunnetuimpia CNN-arkkitehtuureja, kuten NetworkInNetwork ja LeNet.
- Johdanto CNN-verkkoihin
- Tärkeimmät ongelmat, jotka liittyvät täysin liitettyihin kerroksiin korkean ulottuvuuden dataa varten
- Konvolutionaalinen operaattori
- Konvolutionaalisen kerroksen kuvaus neuronien suhteen
- Konvoluutiokerrokset
- Convolutional-kerroksen tärkeimmät ominaisuudet
- Paikalliset yhteydet
- Painon jakaminen
- Konvoluutiokerrosten hyperparametrit
- Suodattimen koko
- Stride
- Pehmusteet
- Convolutional-kerroksen tärkeimmät ominaisuudet
- Yhdistelmäkerrokset
- Kerrosten visualisointi
- Tunnettuja arkkitehtuureja
- LeNet
- Nin
Aikataulu
| Kesto (min) | Kuvaus | Käsitteet | Aktiivisuus | Materiaali |
|---|---|---|---|---|
| 10 | Johdanto CNN-verkkoihin | |||
| 15 | Konvoluutiokerrokset | |||
| 5 | Yhdistelmäkerrokset | |||
| 15 | Kerrosten visualisointi | |||
| 15 | Tunnettuja arkkitehtuureja |
Tunnustukset
Kiitämme Engiä. Andrea Apicella hänen panoksestaan materiaalin kehittämiseen.
Human-Centered AI Masters -ohjelmaa rahoitettiin Euroopan unionin Verkkojen Eurooppa -välineestä (CEF-TC-2020–1 Digital Skills 2020-EU-IA-0068).