Haldusteave
| Ametinimetus | Konvolutsioonilised närvivõrgud |
| Kestus | 180 |
| Moodul | B |
| Õppetunni liik | Praktiline |
| Keskendumine | Tehniline – sügav õpe |
| Teema | Süvaõpe |
Võtmesõnad
CNN, Sügavõpe, Python,
Õpieesmärgid
- Omandage kogemusi CNN-ide koolitamisel ja testimisel
- Omandada kogemusi Transfer Learning kasutades CNNs ja külmutamine kihid
- Omandada kogemusi tuntud klassifitseerimisprobleemi CNN-ide abil
Eeldatav ettevalmistamine
Õppeüritused, mis tuleb lõpetada enne
Kohustuslik õpilastele
- Teooria ja praktika CNN-is
Valikuline õpilastele
- Puudub.
Viited ja taust õpilastele
- Puudub.
Soovitatav õpetajatele
- Puudub.
Õppematerjalid
Puudub.
Juhised õpetajatele
See praktiline hõlmab CNN-i põhilist arendamist, koolitust ja testimist. Hallatakse kolme kasvava raskusega harjutust, millest igaüks hõlmab CNN-ide erinevat aspekti. Kõik pakutud lahendused rakendatakse Pythonis, kasutades PyTorchi paketti. Kavandatud õppused hõlmavad järgmist:
- Harjutus 1: lihtsat MNIST andmekogumit kasutatakse kolme lihtsa CNN-i treenimiseks ja testimiseks, mis koosnevad vastavalt ühest, kahest ja kolmest konvolutsioonilisest kihist. Erinevate jõudluste võrdlemiseks lisatakse ka koondamine ja partiide normaliseerimine.
- Harjutus 2: ImageNetis eelkoolitatud süvavõrk (nt LeNet-5) laaditakse üles. Seejärel hinnatakse MNISTi ja CIFAR10 etendusi pärast peenhäälestusetappi. Tehakse erinevaid katseid, võttes arvesse erinevaid tingimusi, näiteks kõigi kihtide viimistlemist või ainult viimaseid.
- Harjutus 3: õpitud võrgu filtreid visualiseeritakse.
- Harjutus 4: mitut andmekogumit (nt CIFAR10 ja SVHN) testitakse muude arhitektuuride abil (nt ResNet ja VGG16) ning hinnatakse katsekomplektide lõpptulemusi.
Ajakava
| Kestus (min) | Kirjeldus | Mõisted | Tegevus | Materjal |
|---|---|---|---|---|
| 40 | Harjutus 1: lihtsate CNN-ide väljatöötamine, treenimine ja testimine lihtsas andmekogumis | |||
| 40 | Harjutus 2: eelnevalt koolitatud mudeli laadimine, hindamine pärast ja enne ühiste andmekogumite viimistlemist | |||
| 20 | Harjutus 3: õpitud filtrite alamhulga visualiseerimine | |||
| 80 | Harjutus 3: erinevate arhitektuuride ja keerukamate andmete klassifitseerimise tulemuste võrdlemine |
Tunnustused
Me täname Eng. Andrea Apicella oma panuse eest materjali arendamisse.
Inimkeskse tehisintellekti magistriprogrammi kaasfinantseeris Euroopa Liidu Ühendamise Rahastu toetusega CEF-TC-2020–1 „Digioskused 2020“-EU-IA-0068.
SURFi tunniplaan
[{{{{SurfLink}} Wikiwijsi lehekülg]