Административна информация
| Дял | Конволюционни невронни мрежи |
| Продължителност | 180 |
| Модул | Б |
| Вид на урока | Практичен |
| Фокус | Технически — задълбочено обучение |
| Тема | Задълбочено учене |
Ключови думи
CNN, дълбоко обучение, Питон,
Учебни цели
- Придобийте опит в обучението и тестването на CNN
- Придобийте опит в трансферното обучение с помощта на CNN и замръзващи слоеве
- Натрупайте опит в добре познат проблем с класификацията, използвайки CNN
Очаквана подготовка
Обучение на събития, които трябва да бъдат завършени преди
Задължително за студентите
- Теория и практика в CNN
Незадължително за студенти
- Няма.
Референции и фон за студенти
- Няма.
Препоръчва се за учители
- Няма.
Материали за уроци
Няма.
Инструкции за учители
Тази практика обхваща основно развитие, обучение и тестване на CNN. Ще бъдат проведени три упражнения с нарастваща трудност, всяко от които обхваща различен аспект на CNN. Всички предложени решения ще бъдат приложени в Python, като се използва пакетът PyTorch. Предложените учения се състоят от:
- Упражнение 1: простият набор от данни MNIST ще се използва за обучение и тестване на три прости CNN, съставени съответно от един, два и три конволюционни слоя. Обединяването и нормализирането на партидите също ще бъдат добавени, за да се сравнят различните изпълнения.
- Упражнение 2: ще бъде заредена дълбока мрежа (напр. LeNet-5), предварително обучена в ImageNet. След това, изпълненията на MNIST и CIFAR10 ще бъдат оценени след етап на фина настройка. Ще бъдат направени различни експерименти, като се имат предвид различни условия, като фина настройка на всички слоеве или само последните.
- Упражнение 3: филтрите на научената мрежа ще бъдат визуализирани.
- Упражнение 4: няколко набора от данни (като CIFAR10 и SVHN) ще бъдат тествани с помощта на други различни архитектури (като ResNet и VGG16), а окончателните резултати на изпитвателните комплекти ще бъдат оценени.
График
| Продължителност (мин) | Описание | Концепции | Дейност | Материал |
|---|---|---|---|---|
| 40 | Упражнение 1: разработване, обучение и тестване на прости CNN на прост набор от данни | |||
| 40 | Упражнение 2: зареждане на предварително обучен модел, оценка след и преди прецизиране на общите набори от данни | |||
| 20 | Упражнение 3: визуализиране на подмножество от заучени филтри | |||
| 80 | Упражнение 3: сравняване на класификационните характеристики на различни архитектури и по-сложни данни |
Потвърждения
Благодарим на инж. Андреа Апичела за приноса му в разработването на материала.
Магистърската програма по ИИ, насочена към човека, беше съфинансирана от Механизма за свързване на Европа на Европейския съюз под формата на безвъзмездни средства № CEF-TC-2020—1 Digital Skills 2020-EU-IA-0068.
Учебен план на SURF
[{{{SurfLink}}} Страница Уикивийс]