Verwaltungsinformationen
| Titel | Konvolutionelle neuronale Netze |
| Dauer | 180 |
| Modulen | B |
| Unterrichtstyp | Praktisch |
| Fokussierung | Technisches – Deep Learning |
| Themenbereich | Deep Learning |
Suchbegriffe
CNN, Tiefes Lernen, Python,
Lernziele
- Sammeln Sie Erfahrungen im Training und Testen von CNNs
- Sammeln Sie Erfahrungen im Transfer Learning mit CNNs und Gefrierschichten
- Sammeln Sie Erfahrungen in einem bekannten Klassifikationsproblem mit CNNs
Erwartete Vorbereitung
Lernveranstaltungen, die vorab abgeschlossen werden müssen
Obligatorisch für Studenten
- Theorie und Praxis auf CNN
Optional für Studenten
- Keine.
Referenzen und Hintergründe für Studierende
- Keine.
Empfohlen für Lehrer
- Keine.
Unterrichtsmaterialien
Keine.
Anleitung für Lehrer
Dieses Practical deckt grundlegende CNN-Entwicklung, -Training und -Tests ab. Es werden drei Übungen mit zunehmender Schwierigkeit durchgeführt, die jeweils einen anderen Aspekt von CNNs abdecken. Alle vorgeschlagenen Lösungen werden unter Verwendung des Pakets PyTorch in Python implementiert. Die vorgeschlagenen Übungen umfassen:
- Übung 1: der einfache MNIST-Datensatz wird verwendet, um drei einfache CNNs zu trainieren und zu testen, die jeweils aus einer, zwei und drei Faltungsschichten bestehen. Pooling und Chargennormalisierung werden ebenfalls hinzugefügt, um die verschiedenen Leistungen zu vergleichen.
- Übung 2: ein tiefes Netzwerk (z. B. LeNet-5), das auf ImageNet vortrainiert ist, wird geladen. Als nächstes werden die Performances auf MNIST und CIFAR10 nach einer Feinabstimmung bewertet. Es werden verschiedene Experimente unter Berücksichtigung unterschiedlicher Bedingungen durchgeführt, wie z. B. die Feinabstimmung aller Schichten oder nur der letzten.
- Übung 3: die Filter eines erlernten Netzwerks werden visualisiert.
- Übung 4: mehrere Datensätze (wie CIFAR10 und SVHN) werden mit anderen unterschiedlichen Architekturen (wie ResNet und VGG16) getestet und die endgültigen Leistungen der Testsätze ausgewertet.
Zeitplan
| Dauer (min) | Beschreibung | Konzepte | Aktivität | Werkstoffe |
|---|---|---|---|---|
| 40 | Übung 1: Entwicklung, Schulung und Test einfacher CNNs auf einem einfachen Datensatz | |||
| 40 | Übung 2: laden eines vortrainierten Modells, Auswertung nach und vor der Feinabstimmung auf gängige Datensätze | |||
| 20 | Übung 3: Visualisierung einer Teilmenge von erlernten Filtern | |||
| 80 | Übung 3: Vergleich von Klassifizierungsleistungen auf verschiedenen Architekturen und komplexeren Daten |
Danksagung
Wir danken Eng. Andrea Apicella für seinen Beitrag zur Entwicklung des Materials.
Das Human-Centered AI Masters-Programm wurde von der Fazilität „Connecting Europe“ der Europäischen Union im Rahmen des Zuschusses „CEF-TC-2020-1 Digital Skills 2020-EU-IA-0068“ kofinanziert.
Unterrichtsplan für SURF
[{{{SurfLink}}} Wikiwijs-Seite]