Administrative oplysninger
| Titel | Konvolutionelle neurale netværk |
| Varighed | 180 |
| Modul | B |
| Lektionstype | Praktisk |
| Fokus | Teknisk — Dyb læring |
| Emne | Dyb læring |
Nøgleord
CNN, Dyb læring, Python,
Læringsmål
- Få erfaring med træning og test af CNN'er
- Få erfaring i Transfer Learning ved hjælp af CNN'er og fryselag
- Få erfaring i et velkendt klassifikationsproblem ved hjælp af CNN'er
Forventet forberedelse
Læringsbegivenheder, der skal fuldføres før
Obligatorisk for studerende
- Teori og praksis på CNN
Valgfrit for studerende
- Ingen.
Referencer og baggrund for studerende
- Ingen.
Anbefalet til lærerne
- Ingen.
Undervisningsmaterialer
Ingen.
Instruktioner til lærerne
Denne praktiske dækker grundlæggende CNN udvikling, uddannelse og test. Tre øvelser af stigende sværhedsgrad vil blive administreret, hver af dem dækker et andet aspekt af CNNs. Alle de foreslåede løsninger vil blive implementeret i Python, ved hjælp af PyTorch-pakken. De foreslåede øvelser består af:
- Øvelse 1: det enkle MNIST datasæt vil blive brugt til at træne og teste tre enkle CNN'er sammensat af henholdsvis et, to og tre konvolutionelle lag. Pooling og batch normalisering vil også blive tilføjet for at sammenligne de forskellige præstationer.
- Øvelse 2: et dybt netværk (f.eks. LeNet-5) forududdannet på ImageNet indlæses. Dernæst vil forestillingerne på MNIST og CIFAR10 blive evalueret efter en finjusterende fase. Forskellige eksperimenter vil blive foretaget, i betragtning af forskellige forhold, såsom finjustering af alle lagene eller kun de sidste.
- Øvelse 3: filtrene i et lært netværk vil blive visualiseret.
- Øvelse 4: flere datasæt (såsom CIFAR10 og SVHN) vil blive testet ved hjælp af andre forskellige arkitekturer (såsom ResNet og VGG16), og de endelige præstationer på testsættene vil blive evalueret.
Tidsplan
| Varighed (min) | Beskrivelse | Koncepter | Aktivitet | Materiale |
|---|---|---|---|---|
| 40 | Øvelse 1: udvikling, træning og testning af simple CNN'er på et simpelt datasæt | |||
| 40 | Øvelse 2: indlæsning af en forududdannet model, evaluering efter og før finjustering af fælles datasæt | |||
| 20 | Øvelse 3: visualisering af en delmængde af lærde filtre | |||
| 80 | Øvelse 3: sammenligning af klassifikationspræstationer på forskellige arkitekturer og mere komplekse data |
Anerkendelser
Vi takker Eng. Andrea Apicella for sit bidrag til at udvikle materialet.
Programmet Human-Centered AI Masters blev samfinansieret af Connecting Europe-faciliteten i Den Europæiske Union under tilskud CEF-TC-2020-1 Digital Skills 2020-EU-IA-0068.
Lektionsplan på SURF
[{{{{SurfLink}}} Wikiwijs side]