Διοικητικές πληροφορίες
| Τίτλος | Συνεξελικτικά Νευρωνικά Δίκτυα |
| Διάρκεια | 180 |
| Ενότητα | Β |
| Είδος μαθήματος | Πρακτική |
| Εστίαση | Τεχνική — Βαθιά Μάθηση |
| Θέμα | Βαθιά μάθηση |
Λέξεις-κλειδιά
CNN, βαθιά μάθηση, Python,
Μαθησιακοί στόχοι
- Αποκτήστε εμπειρία στην εκπαίδευση και τη δοκιμή CNNs
- Αποκτήστε εμπειρία στη μάθηση μεταφοράς χρησιμοποιώντας τα CNN και τα στρώματα κατάψυξης
- Αποκτήστε εμπειρία σε ένα γνωστό πρόβλημα ταξινόμησης χρησιμοποιώντας CNN
Αναμενόμενη προετοιμασία
Μαθησιακές εκδηλώσεις που πρέπει να ολοκληρωθούν πριν
Υποχρεωτικό για τους φοιτητές
- Θεωρία και πρακτική στο CNN
Προαιρετικό για Φοιτητές
- Καμία.
Αναφορές και υπόβαθρο για τους μαθητές
- Καμία.
Συνιστάται για εκπαιδευτικούς
- Καμία.
Υλικό μαθήματος
Καμία.
Οδηγίες για τους εκπαιδευτικούς
Αυτή η πρακτική καλύπτει θεμελιώδη ανάπτυξη, εκπαίδευση και δοκιμές του CNN. Θα χορηγηθούν τρεις ασκήσεις αυξανόμενης δυσκολίας, καθεμία από τις οποίες θα καλύπτει μια διαφορετική πτυχή των CNN. Όλες οι προτεινόμενες λύσεις θα εφαρμοστούν στην Python, χρησιμοποιώντας το πακέτο PyTorch. Οι προτεινόμενες ασκήσεις συνίστανται σε:
- Άσκηση 1: το απλό σύνολο δεδομένων MNIST θα χρησιμοποιηθεί για την εκπαίδευση και τη δοκιμή τριών απλών CNN που αποτελούνται αντίστοιχα από ένα, δύο και τρία συνεξελικτικά στρώματα. Η ομαλοποίηση και η ομαλοποίηση των παρτίδων θα προστεθούν επίσης για να συγκρίνουν τις διαφορετικές επιδόσεις.
- Άσκηση 2: ένα βαθύ δίκτυο (π.χ. LeNet-5) προεκπαιδευμένο στο ImageNet θα φορτωθεί. Στη συνέχεια, οι επιδόσεις σε MNIST και CIFAR10 θα αξιολογηθούν μετά από ένα στάδιο τελειοποίησης. Θα γίνουν διαφορετικά πειράματα, λαμβάνοντας υπόψη διαφορετικές συνθήκες, όπως η τελειοποίηση όλων των στρωμάτων ή μόνο των τελευταίων.
- Άσκηση 3: τα φίλτρα ενός εκπαιδευμένου δικτύου θα απεικονιστούν.
- Άσκηση 4: διάφορα σύνολα δεδομένων (όπως τα CIFAR10 και SVHN) θα δοκιμαστούν χρησιμοποιώντας άλλες διαφορετικές αρχιτεκτονικές (όπως το ResNet και το VGG16) και θα αξιολογηθούν οι τελικές επιδόσεις στα σύνολα δοκιμών.
Χρονοδιάγραμμα
| Διάρκεια (ελάχ.) | Περιγραφή | Έννοιες | Δραστηριότητα | Υλικό |
|---|---|---|---|---|
| 40 | Άσκηση 1: ανάπτυξη, κατάρτιση και δοκιμή απλών CNN σε ένα απλό σύνολο δεδομένων | |||
| 40 | Άσκηση 2: φόρτωση προεκπαιδευμένου μοντέλου, αξιολόγηση μετά και πριν από τη ρύθμιση των κοινών συνόλων δεδομένων | |||
| 20 | Άσκηση 3: οπτικοποίηση ενός υποσύνολο διδαγμάτων φίλτρων | |||
| 80 | Άσκηση 3: σύγκριση επιδόσεων ταξινόμησης σε διαφορετικές αρχιτεκτονικές και πιο σύνθετα δεδομένα |
Αναγνωρίσεις
Ευχαριστούμε τον Eng. Andrea Apicella για τη συμβολή του στην ανάπτυξη του υλικού.
Το πρόγραμμα Μάστερ τεχνητής νοημοσύνης με επίκεντρο τον άνθρωπο συγχρηματοδοτήθηκε από τον μηχανισμό «Συνδέοντας την Ευρώπη» της Ευρωπαϊκής Ένωσης στο πλαίσιο της επιχορήγησης CEF-TC-2020-1 Digital Skills 2020-EU-IA-0068.
Σχέδιο μαθήματος για το SURF
σελίδα Wikiwijs [{{{{{{{{{{{{{{{{{{{{{{{{{{{{Σουρφλινκ}}} σελίδα Wikiwijs]