Administrativne informacije
| Naslov | Konvolucijske neuronske mreže |
| Trajanje | 180 |
| Modul | B |
| Vrsta lekcija | Praktičan |
| Fokus | Tehničko – dubinsko učenje |
| Tema | Duboko učenje |
Ključne riječi
CNN, Deep learning, Pithon,
Ciljevi učenja
- Stjecanje iskustva u osposobljavanju i testiranju CNN-ova
- Stjecanje iskustva u prijenosu učenja pomoću CNN-ova i slojeva zamrzavanja
- Stjecanje iskustva u dobro poznatom klasifikacijskom problemu pomoću CNN-a
Očekivana priprema
Edukativni događaji koji će biti završeni prije
Obvezno za studente
- Teorija i praksa na CNN-u
Neobvezno za studente
- Nijedan.
Preporuke i pozadina za studente
- Nijedan.
Preporučeno nastavnicima
- Nijedan.
Nastavni materijali
Nijedan.
Upute za učitelje
Ovaj Praktični pokriva temeljni razvoj, obuku i testiranje CNN-a. Primjenjivat će se tri vježbe sve većih poteškoća, od kojih svaka pokriva različite aspekte CNN-a. Sva predložena rješenja bit će implementirana u Python, koristeći PyTorch paket. Predložene vježbe sastoje se od:
- Vježba 1.: jednostavan MNIST skup podataka koristit će se za treniranje i testiranje triju jednostavnih CNN-ova sastavljenih od jednog, dva i tri konvolucijska sloja. Dodat će se i objedinjavanje i normalizacija serija kako bi se usporedile različite performanse.
- Vježba 2: učitat će se duboka mreža (npr. LeNet-5) na ImageNetu. Nadalje, nastupi na MNIST-u i CIFAR10 ocijenit će se nakon faze fine prilagodbe. Napravit će se različiti eksperimenti, uzimajući u obzir različite uvjete, kao što je fino podešavanje svih slojeva ili samo posljednjih.
- Vježba 3: filtri naučene mreže bit će vizualizirani.
- Vježba 4: nekoliko skupova podataka (kao što su CIFAR10 i SVHN) testirat će se primjenom drugih različitih arhitektura (kao što su ResNet i VGG16), a konačne performanse na testnim setovima ocijenit će se.
Vremenski raspored
| Trajanje (min) | Opis | Koncepti | Aktivnost | Materijal |
|---|---|---|---|---|
| 40 | Vježba 1.: razvoj, osposobljavanje i testiranje jednostavnih CNN-ova na jednostavnom skupu podataka | |||
| 40 | Vježba 2: učitavanje unaprijed obučenog modela, ocjenjivanje nakon i prije fine prilagodbe na zajedničkim skupovima podataka | |||
| 20 | Vježba 3: vizualizacija podskupa naučenih filtara | |||
| 80 | Vježba 3: usporedba klasifikacijskih performansi na različitim arhitekturama i složenijih podataka |
Priznanja
Zahvaljujemo Engu. Andrea Apicella za svoj doprinos u razvoju materijala.
Diplomski studij umjetne inteligencije usmjeren na čovjeka sufinanciran je Instrumentom za povezivanje Europe Europske unije u okviru bespovratnih sredstava CEF-TC-2020 – 1 Digital Skills 2020-EU-IA-0068.
Nastavni plan o SURF-u
stranica Wikiwijsa]