Hallinnolliset tiedot
| Otsikko | Konvolutionaaliset neuroverkot |
| Kesto | 180 |
| Moduuli | B |
| Oppitunnin tyyppi | Käytännöllinen |
| Keskittyminen | Tekninen – syväoppiminen |
| Aihe | Syväoppiminen |
Avainsanoja
CNN, Syvä oppiminen, Python,
Oppimistavoitteet
- Hanki kokemusta CNN:ien koulutuksesta ja testauksesta
- Hanki kokemusta siirto-oppimisesta CNN:ien ja pakastuskerrosten avulla
- Hanki kokemusta tunnetusta luokitteluongelmasta CNN:ien avulla
Odotettu valmistelu
Oppimistapahtumat valmistuvat ennen
Pakollinen opiskelijoille
- Teoria ja käytäntö CNN: ssä
Valinnainen opiskelijoille
- Ei mitään.
Referenssejä ja taustaa opiskelijoille
- Ei mitään.
Suositellaan opettajille
- Ei mitään.
Oppituntimateriaalit
Ei mitään.
Ohjeita opettajille
Tämä käytäntö kattaa CNN: n peruskehityksen, koulutuksen ja testauksen. Kolme lisää vaikeusharjoitusta, joista kukin kattaa CNN: n eri näkökohdan. Kaikki ehdotetut ratkaisut toteutetaan Pythonissa PyTorch-paketin avulla. Ehdotetut harjoitukset koostuvat seuraavista osa-alueista:
- Harjoitus 1: yksinkertaisella MNIST-aineistolla koulutetaan ja testataan kolmea yksinkertaista CNN:ää, jotka koostuvat yhdestä, kahdesta ja kolmesta konvolutionaalisesta kerroksesta. Yhdistämistä ja erän normalisointia lisätään myös eri suoritusten vertaamiseksi.
- Harjoitus 2: ImageNetiin esikoulutettu syvä verkko (esim. LeNet-5) ladataan. Seuraavaksi MNIST- ja CIFAR10-esityksiä arvioidaan hienosäätövaiheen jälkeen. Erilaisia kokeita tehdään ottaen huomioon erilaiset olosuhteet, kuten kaikkien kerrosten hienosäätö tai vain viimeiset.
- Harjoitus 3: opitun verkon suodattimet visualisoidaan.
- Harjoitus 4: useita tietokokonaisuuksia (kuten CIFAR10 ja SVHN) testataan muilla eri arkkitehtuureilla (kuten ResNetillä ja VGG16:lla) ja testisarjojen loppusuorituskyvyt arvioidaan.
Aikataulu
| Kesto (min) | Kuvaus | Käsitteet | Aktiivisuus | Materiaali |
|---|---|---|---|---|
| 40 | Harjoitus 1: yksinkertaisten CNN-verkostojen kehittäminen, kouluttaminen ja testaaminen yksinkertaisella tietoaineistolla | |||
| 40 | Harjoitus 2: esikoulutetun mallin lataaminen, arviointi sen jälkeen ja ennen yhteisten tietokokonaisuuksien hienosäätöä | |||
| 20 | Harjoitus 3: opittujen suodattimien osajoukon visualisointi | |||
| 80 | Harjoitus 3: eri arkkitehtuurien luokitussuoritusten ja monimutkaisempien tietojen vertailu |
Tunnustukset
Kiitämme Engiä. Andrea Apicella hänen panoksestaan materiaalin kehittämiseen.
Human-Centered AI Masters -ohjelmaa rahoitettiin Euroopan unionin Verkkojen Eurooppa -välineestä (CEF-TC-2020–1 Digital Skills 2020-EU-IA-0068).
Opetussuunnitelma SURF:stä
[{{{{SurfLink}}} Wikiwijs-sivu]