Administratieve informatie
| Titel | Convolutionele neurale netwerken |
| Looptijd | 60 |
| Module | B |
| Type les | Lezing |
| Focus | Technisch — diep leren |
| Onderwerp | Diep leren |
Sleutelwoorden
CNN,Python, Diep leren,
Leerdoelen
- Om te weten wat een CNN is en de belangrijkste verschillen met Densely-connected NN
- Om het belangrijkste verschil te weten tussen lokaal verbonden lagen en convolutionele lagen
- Om te weten hoe u een CNN-laag configureert
- Pooling- en batchnormalisatielagen
- Om de beroemdste CNN’s te leren kennen: LeNet, AlexNet, ResNet, VGG16, AlleConvNet
Verwachte voorbereiding
Leren van gebeurtenissen die moeten worden voltooid voordat
Verplicht voor studenten
- Theorie over kunstmatige neurale netwerken
Optioneel voor studenten
- Geen
Referenties en achtergronden voor studenten
- Goodfellow, I., Bengio, Y., & Courville, A. (2016). Diep leren. Druk op MIT. — Hoofdstuk 9
Aanbevolen voor docenten
- Goodfellow, I., Bengio, Y., & Courville, A. (2016). Diep leren. Druk op MIT. — Hoofdstuk 9
Lesmateriaal
Instructies voor docenten
Deze lezing zal studenten kennis laten maken met de Convolutional Neural Networks (CNN’s), waarin de belangrijkste verschillen worden uitgelegd tussen klassieke volledig verbonden lagen en convolutionele lagen. De voordelen van de gewichtsverdeling van de Convolutional Layer worden geïntroduceerd en besproken, samen met een vergelijking met de Locally-Connected lagen. De Convolution operator wordt geïntroduceerd, en kernel grootte, stride en padding worden besproken als de belangrijkste hyperparameters van een Convolutionele laag. Vervolgens zullen Pooling en Batch Normalisatielagen worden geïntroduceerd als onderdeel van verschillende CNN-architecturen. Om beter te ontkomen aan wat een Convolutionele laag heeft geleerd, zullen er mogelijke manieren worden geïntroduceerd om geleerde filters te visualiseren. Tot slot zal een introductie worden gepresenteerd tot de beroemdste CNN architecturen zoals NetworkInNetwork en LeNet.
- Inleiding tot CNNs
- Belangrijkste problemen met volledig verbonden lagen voor high-dimensionality data
- Convolutionele operator
- Beschrijving van een convolutionele laag in termen van neuronen
- Convolutionele lagen
- Belangrijkste eigenschappen van een convolutionele laag
- Lokale connectiviteit
- Gewichtsverdeling
- Convolutionele laag hyperparameters
- Filtergrootte
- Stride
- Opvulling
- Belangrijkste eigenschappen van een convolutionele laag
- Poolen van lagen
- Lagen visualiseren
- Bekende architecturen
- LeNet
- Nin
Tijdschema
| Duur (min) | Omschrijving | Concepten | Activiteit | Materiaal |
|---|---|---|---|---|
| 10 | Inleiding tot CNNs | |||
| 15 | Convolutionele lagen | |||
| 5 | Poolen van lagen | |||
| 15 | Lagen visualiseren | |||
| 15 | Bekende architecturen |
Erkenningen
Wij danken Eng. Andrea Apicella voor zijn bijdrage aan de ontwikkeling van het materiaal.
Het Human-Centered AI Masters-programma werd mede gefinancierd door de Connecting Europe Facility van de Europese Unie in het kader van de subsidie CEF-TC-2020-1 Digital Skills 2020-EU-IA-0068.