Administrativní informace
| Název | Konvoluční neuronové sítě |
| Trvání | 180 |
| Modul | B |
| Typ lekce | Praktické |
| Soustředění | Technické – hluboké učení |
| Téma | Hluboké učení |
Klíčová slova
CNN, hluboké učení,Python,
Vzdělávací cíle
- Získat zkušenosti s výcvikem a testováním CNN
- Získejte zkušenosti s přenosovým učením pomocí CNN a mrazících vrstev
- Získat zkušenosti s dobře známým klasifikačním problémem pomocí CNN
Očekávaná příprava
Vzdělávací akce, které mají být dokončeny před
Povinné pro studenty
- Teorie a praxe na CNN
Volitelné pro studenty
- Žádné.
Reference a zázemí pro studenty
- Žádné.
Doporučeno pro učitele
- Žádné.
Materiály pro výuku
Žádné.
Pokyny pro učitele
Tento Praktický zahrnuje základní vývoj, výcvik a testování CNN. Budou provedena tři cvičení zvyšující se obtížnosti, přičemž každé z nich pokrývá jiný aspekt CNN. Všechna navrhovaná řešení budou implementována v Pythonu pomocí balíčku PyTorch. Navrhovaná cvičení se skládají z:
- Cvičení 1: jednoduchý datový soubor MNIST bude použit k trénování a testování tří jednoduchých CNN složených z jedné, dvou a tří konvolučních vrstev. K porovnání různých výkonů bude přidáno také sdružování a normalizace šarží.
- Cvičení 2: bude načtena hluboká síť (např. LeNet-5) předtrénovaná na ImageNetu. Dále budou po fázi jemného doladění vyhodnoceny výkony na MNIST a CIFAR10. Budou provedeny různé experimenty s ohledem na různé podmínky, jako je jemné doladění všech vrstev nebo pouze těch posledních.
- Cvičení 3: budou vizualizovány filtry učené sítě.
- Cvičení 4: několik datových souborů (například CIFAR10 a SVHN) bude testováno pomocí jiných různých architektur (například ResNet a VGG16) a budou vyhodnoceny závěrečné výkony na testovacích sadách.
Časový harmonogram
| Doba trvání (min) | Popis | Koncepty | Aktivity | Materiál |
|---|---|---|---|---|
| 40 | Cvičení 1: vývoj, školení a testování jednoduchých CNN na jednoduchém datovém souboru | |||
| 40 | Cvičení 2: načtení předškoleného modelu, vyhodnocení po a před doladěním na běžné datové soubory | |||
| 20 | Cvičení 3: vizualizace podmnožiny naučených filtrů | |||
| 80 | Cvičení 3: porovnání klasifikačních výkonů na různých architekturách a složitějších datech |
Potvrzení
Děkujeme Eng. Andrea Apicella za svůj příspěvek k vývoji materiálu.
Program Human-Centered AI Masters byl spolufinancován Nástrojem Evropské unie pro propojení Evropy v rámci grantu CEF-TC-2020–1 Digitální dovednosti 2020-EU-IA-0068.
Plán lekcí pro SURF
[{{{{SurfLink}}} Wikiwijs stránka]