Informations administratives
| Titre | Réseaux neuronaux convolutionnels |
| Durée | 60 |
| Module | B |
| Type de leçon | Conférence |
| Focus | Technique — Deep Learning |
| Sujet | Apprentissage profond |
Mots-clés
CNN, Python, Apprentissage profond,
Objectifs d’apprentissage
- Savoir ce qu’est un CNN et ses principales différences avec Densely-connected NN
- Connaître la principale différence entre les couches localement connectées aux couches convolutionnelles
- Pour savoir comment configurer une couche CNN
- Couches de mise en commun et de normalisation des lots
- Pour connaître les plus célèbres CNNs: LeNet, AlexNet, ResNet, VGG16, AllConvNet
Préparation prévue
Événements d’apprentissage à compléter avant
Obligatoire pour les étudiants
- Théorie sur les réseaux neuronaux artificiels
Optionnel pour les étudiants
- Aucun
Références et antécédents pour les étudiants
- Goodfellow, I., Bengio, Y., et Courville, A. (2016). Apprentissage profond. Appuyez sur le MIT. — Chapitre 9
Recommandé pour les enseignants
- Goodfellow, I., Bengio, Y., et Courville, A. (2016). Apprentissage profond. Appuyez sur le MIT. — Chapitre 9
Matériel de leçon
Instructions pour les enseignants
Cette conférence présentera aux étudiants les réseaux neuronaux convolutionnels (CNN), expliquant les principales différences entre les couches classiques entièrement connectées et les couches convolutionnelles. Les avantages du partage de poids donné par la couche Convolutional sont introduits et discutés, ainsi qu’une comparaison avec les couches Locally Connected. L’opérateur Convolution est introduit, et la taille du noyau, la foulée et le rembourrage sont discutés comme les principaux hyperparamètres d’une couche convolutionnelle. Ensuite, les couches de mise en commun et de normalisation des lots seront introduites dans le cadre de plusieurs architectures CNN. Pour mieux comprendre ce qu’une couche Convolutional a appris, des moyens possibles de visualiser les filtres appris seront introduits. Enfin, une introduction aux plus célèbres architectures CNN telles que NetworkInNetwork et LeNet sera présentée.
- Introduction aux CNN
- Principaux problèmes concernant les couches entièrement connectées pour les données de haute dimension
- Opérateur convolutionnel
- Description d’une couche convolutionnelle en termes de neurones
- Couches convolutionnelles
- Principales propriétés d’une couche Convolutional
- Connectivité locale
- Partage du poids
- Hyperparamètres de couche convolutionnelle
- Taille du filtre
- Foulée
- Rembourrage
- Principales propriétés d’une couche Convolutional
- Mise en commun des couches
- Visualisation des couches
- Architectures bien connues
- LeNet
- Nin
Calendrier
| Durée (min) | Description | Concepts | Activité | Matériel |
|---|---|---|---|---|
| 10 | Introduction aux CNN | |||
| 15 | Couches convolutionnelles | |||
| 5 | Mise en commun des couches | |||
| 15 | Visualisation des couches | |||
| 15 | Architectures bien connues |
Remerciements
Nous remercions Eng. Andrea Apicella pour sa contribution au développement du matériel.
Le programme de master IA centré sur l’humain a été cofinancé par le mécanisme pour l’interconnexion en Europe de l’Union européenne dans le cadre de la subvention CEF-TC-2020-1 Digital Skills 2020-EU-IA-0068.