Información administrativa
| Título | Redes neuronales convolucionales |
| Duración | 180 |
| Módulo | B |
| Tipo de lección | Practico |
| Enfoque | Técnico — Aprendizaje profundo |
| Tema | Aprendizaje profundo |
Keywords
CNN, Aprendizaje profundo, Pitón,
Objetivos de aprendizaje
- Adquirir experiencia en entrenamiento y pruebas de CNNs
- Obtenga experiencia en Transfer Learning usando CNNs y capas de congelación
- Adquirir experiencia en un problema de clasificación bien conocido usando CNNs
Preparación prevista
Eventos de aprendizaje que se completarán antes
Obligatorio para los estudiantes
- Teoría y práctica en CNN
Opcional para estudiantes
- Ninguno.
Referencias y antecedentes para estudiantes
- Ninguno.
Recomendado para profesores
- Ninguno.
Material didáctico
Ninguno.
Instrucciones para profesores
Este práctico cubre el desarrollo fundamental de CNN, la capacitación y las pruebas. Se administrarán tres ejercicios de dificultad creciente, cada uno de ellos cubriendo un aspecto diferente de las CNNs. Todas las soluciones propuestas se implementarán en Python, utilizando el paquete PyTorch. Los ejercicios propuestos consisten en:
- Ejercicio 1: el simple conjunto de datos MNIST se utilizará para entrenar y probar tres CNN simples compuestas respectivamente de una, dos y tres capas convolucionales. La agrupación y la normalización por lotes también se agregarán para comparar las diferentes actuaciones.
- Ejercicio 2: se cargará una red profunda (por ejemplo, LeNet-5) preentrenada en ImageNet. A continuación, las actuaciones en MNIST y CIFAR10 se evaluarán después de una etapa de ajuste. Se realizarán diferentes experimentos, teniendo en cuenta diferentes condiciones, como ajustar todas las capas o solo las últimas.
- Ejercicio 3: se visualizarán los filtros de una red aprendida.
- Ejercicio 4: se probarán varios conjuntos de datos (como CIFAR10 y SVHN) utilizando otras arquitecturas diferentes (como ResNet y VGG16) y se evaluarán las actuaciones finales en los conjuntos de pruebas.
Horario
| Duración (min) | Descripción | Conceptos | Actividad | Material |
|---|---|---|---|---|
| 40 | Ejercicio 1: desarrollar, entrenar y probar CNNs simples en un conjunto de datos simple | |||
| 40 | Ejercicio 2: carga de un modelo pre-entrenado, evaluación después y antes de ajustar los conjuntos de datos comunes | |||
| 20 | Ejercicio 3: visualización de un subconjunto de filtros aprendidos | |||
| 80 | Ejercicio 3: comparación de rendimientos de clasificación en diferentes arquitecturas y datos más complejos |
Reconocimientos
Agradecemos a Eng. Andrea Apicella por su contribución en el desarrollo del material.
El programa de maestría en IA centrada en el ser humano fue cofinanciado por el Mecanismo «Conectar Europa» de la Unión Europea en virtud de la subvención «CEF-TC-2020-1 Digital Skills 2020-EU-IA-0068».
Plan de lecciones sobre SURF
[{{{{{SurfLink}} Página Wikiwijs]