Adminisztratív információk
| Cím | Konvolúciós neurális hálózatok |
| Időtartam | 180 |
| Modul | B |
| Lecke típusa | Praktikus |
| Fókusz | Technikai – Mély tanulás |
| Téma | Mélytanulás |
Kulcsszó
CNN,Mély tanulás,Python,
Tanulási célok
- Tapasztalatszerzés a CNN-ek képzésében és tesztelésében
- Tapasztalatszerzés a CNN-ek és a fagyasztási rétegek segítségével történő átviteli tanulásban
- Tapasztalatszerzés egy jól ismert osztályozási problémában CNN-ek segítségével
Várható előkészítés
Az előtt befejezendő tanulási események
Kötelező a diákok számára
- Elmélet és gyakorlat a CNN-en
Választható diákok számára
- Egy sem.
Referenciák és háttér a diákok számára
- Egy sem.
Ajánlott tanároknak
- Egy sem.
Leckeanyagok
Egy sem.
Utasítások tanároknak
Ez a gyakorlat a CNN alapvető fejlesztését, képzését és tesztelését foglalja magában. Három, növekvő nehézségű gyakorlat kerül végrehajtásra, amelyek mindegyike a CNN-ek különböző aspektusait fedi le. Az összes javasolt megoldás Pythonban kerül bevezetésre a PyTorch csomag felhasználásával. A javasolt gyakorlatok a következőkből állnak:
- Gyakorlat: az egyszerű MNIST adatkészlet három egyszerű CNN-t fog képezni és tesztelni, amelyek egy, kettő és három konvolúciós rétegből állnak. Az összevonás és a kötegelt normalizálás is hozzáadódik a különböző teljesítmények összehasonlításához.
- Gyakorlat: egy mély hálózat (pl. LeNet-5) lesz betöltve az ImageNet-en. Ezután az MNIST és a CIFAR10 előadásait finomhangolás után értékelik. Különböző kísérletekre kerül sor, figyelembe véve a különböző körülményeket, például az összes réteg finomhangolását, vagy csak az utolsó rétegeket.
- Gyakorlat: a tanult hálózat szűrőit vizualizáljuk.
- Gyakorlat: számos adatkészletet (például CIFAR10 és SVHN) tesztelnek más architektúrák (például a ResNet és a VGG16) segítségével, és a tesztkészletek végső teljesítményét értékelik.
Időbeosztás
| Időtartam (perc) | Leírás | Fogalmak | Tevékenység | Anyag |
|---|---|---|---|---|
| 40 | Gyakorlat: egyszerű CNN-ek fejlesztése, képzése és tesztelése egyszerű adatkészleten | |||
| 40 | Gyakorlat: előre kiképzett modell betöltése, értékelés a közös adatkészletek finomhangolása után és előtt | |||
| 20 | Gyakorlat: a tanult szűrők egy részének vizualizálása | |||
| 80 | Gyakorlat: a különböző architektúrák és összetettebb adatok osztályozási teljesítményének összehasonlítása |
Visszaigazolások
Köszönjük Eng. Andrea Apicella az anyag fejlesztésében való közreműködéséért.
A Human-Centered AI Masters programot az Európai Unió Európai Hálózatfinanszírozási Eszköze (CEF-TC-2020–1 Digitális készségek 2020 EU-IA-0068) társfinanszírozta.
Lecketerv a SURF-ről
[{{{{SurfLink}}] Wikiwijs oldal]