Informations administratives
| Titre | Réseaux neuronaux convolutionnels |
| Durée | 180 |
| Module | B |
| Type de leçon | Pratique |
| Focus | Technique — Deep Learning |
| Sujet | Apprentissage profond |
Mots-clés
CNN, Apprentissage profond, Python,
Objectifs d’apprentissage
- Acquérir de l’expérience dans la formation et le test de CNNs
- Acquérir de l’expérience dans l’apprentissage de transfert à l’aide de CNN et de couches de congélation
- Acquérir de l’expérience dans un problème de classification bien connu en utilisant les CNN
Préparation prévue
Événements d’apprentissage à compléter avant
Obligatoire pour les étudiants
- Théorie et pratique sur CNN
Optionnel pour les étudiants
- Aucun.
Références et antécédents pour les étudiants
- Aucun.
Recommandé pour les enseignants
- Aucun.
Matériel de leçon
Aucun.
Instructions pour les enseignants
Ce Practical couvre le développement, la formation et les tests CNN fondamentaux. Trois exercices de difficulté croissante seront administrés, chacun couvrant un aspect différent des CNN. Toutes les solutions proposées seront implémentées en Python, en utilisant le package PyTorch. Les exercices proposés sont les suivants:
- Exercice 1: L’ensemble de données MNIST simple sera utilisé pour former et tester trois CNN simples composés respectivement d’une, deux et trois couches convolutionnelles. La mise en commun et la normalisation des lots seront également ajoutées pour comparer les différentes performances.
- Exercice 2: un réseau profond (p. ex., LeNet-5) préformé sur ImageNet sera chargé. Ensuite, les performances sur MNIST et CIFAR10 seront évaluées après une phase de réglage fin. Différentes expériences seront faites, compte tenu des différentes conditions, telles que le réglage fin de toutes les couches ou seulement les dernières.
- Exercice 3: les filtres d’un réseau appris seront visualisés.
- Exercice 4: plusieurs ensembles de données (tels que CIFAR10 et SVHN) seront testés à l’aide d’autres architectures différentes (comme ResNet et VGG16) et les performances finales sur les ensembles de tests seront évaluées.
Calendrier
| Durée (min) | Description | Concepts | Activité | Matériel |
|---|---|---|---|---|
| 40 | Exercice 1: développer, former et tester des CNN simples sur un ensemble de données simple | |||
| 40 | Exercice 2: chargement d’un modèle préformé, évaluation après et avant réglage sur des ensembles de données communs | |||
| 20 | Exercice 3: visualisation d’un sous-ensemble de filtres appris | |||
| 80 | Exercice 3: comparaison des performances de classification sur différentes architectures et données plus complexes |
Remerciements
Nous remercions Eng. Andrea Apicella pour sa contribution au développement du matériel.
Le programme de master IA centré sur l’humain a été cofinancé par le mécanisme pour l’interconnexion en Europe de l’Union européenne dans le cadre de la subvention CEF-TC-2020-1 Digital Skills 2020-EU-IA-0068.
Plan de leçon sur SURF
[{{{{SurfLink}} Page Wikiwijs]