Informazioni amministrative
| Titolo | Reti neurali convoluzionali |
| Durata | 180 |
| Modulo | B |
| Tipo di lezione | Pratico |
| Focus | Tecnico — Apprendimento profondo |
| Argomento | Apprendimento profondo |
Parole chiave
CNN, Apprendimento profondo, Pitone,
Obiettivi di apprendimento
- Acquisire esperienza nella formazione e testare la CNN
- Acquisisci esperienza nel Transfer Learning utilizzando CNN e livelli di congelamento
- Acquisire esperienza in un noto problema di classificazione utilizzando la CNN
Preparazione prevista
Eventi di apprendimento da completare prima
Obbligatorio per gli studenti
- Teoria e pratica sulla CNN
Facoltativo per gli studenti
- Nessuno.
Referenze e background per gli studenti
- Nessuno.
Consigliato per gli insegnanti
- Nessuno.
Materiale didattico
Nessuno.
Istruzioni per gli insegnanti
Questo pratico copre lo sviluppo, la formazione e i test fondamentali della CNN. Saranno somministrati tre esercizi di crescente difficoltà, ognuno dei quali copre un aspetto diverso della CNN. Tutte le soluzioni proposte saranno implementate in Python, utilizzando il pacchetto PyTorch. Gli esercizi proposti consistono in:
- Esercizio 1: il semplice set di dati MNIST sarà utilizzato per addestrare e testare tre semplici CNN composte rispettivamente da uno, due e tre strati convoluzionali. Il pooling e la normalizzazione dei lotti saranno inoltre aggiunti per confrontare le diverse prestazioni.
- Esercizio 2: verrà caricata una rete profonda (ad esempio, LeNet-5) preallenata su ImageNet. Successivamente, le performance su MNIST e CIFAR10 saranno valutate dopo una fase di messa a punto. Saranno effettuati diversi esperimenti, considerando condizioni diverse, come la messa a punto di tutti gli strati o solo gli ultimi.
- Esercizio 3: verranno visualizzati i filtri di una rete appresa.
- Esercizio 4: diversi set di dati (come CIFAR10 e SVHN) saranno testati utilizzando altre architetture diverse (come ResNet e VGG16) e saranno valutate le prestazioni finali sui set di test.
Calendario
| Durata (min) | Descrizione | Concetti | Attività | Materiale |
|---|---|---|---|---|
| 40 | Esercizio 1: sviluppare, formare e testare semplici CNN su un semplice set di dati | |||
| 40 | Esercizio 2: caricamento di un modello pre-formato, valutazione dopo e prima della messa a punto di set di dati comuni | |||
| 20 | Esercizio 3: visualizzazione di un sottoinsieme di filtri appresi | |||
| 80 | Esercizio 3: confronto delle prestazioni di classificazione su diverse architetture e dati più complessi |
Riconoscimenti
Ringraziamo l'Ing. Andrea Apicella per il suo contributo nello sviluppo del materiale.
Il programma Human-Centered AI Masters è stato co-finanziato dal meccanismo per collegare l'Europa dell'Unione europea nell'ambito della sovvenzione CEF-TC-2020-1 Digital Skills 2020-EU-IA-0068.
Piano di lezione su SURF
[{{{{{SurfLink}}} Pagina Wikiwijs]