Administratieve informatie
| Titel | Convolutionele neurale netwerken |
| Looptijd | 180 |
| Module | B |
| Type les | Praktisch |
| Focus | Technisch — diep leren |
| Onderwerp | Diep leren |
Sleutelwoorden
CNN, Diep leren,Python,
Leerdoelen
- Ervaring opdoen in het trainen en testen van CNN’s
- Doe ervaring op in Transfer Learning met behulp van CNN’s en vrieslagen
- Ervaring opdoen in een bekend classificatieprobleem met behulp van CNN’s
Verwachte voorbereiding
Leren van gebeurtenissen die moeten worden voltooid voordat
Verplicht voor studenten
- Theorie en praktijk op CNN
Optioneel voor studenten
- Geen.
Referenties en achtergronden voor studenten
- Geen.
Aanbevolen voor docenten
- Geen.
Lesmateriaal
Geen.
Instructies voor docenten
Dit Praktisch behandelt fundamentele ontwikkeling, training en testen van CNN. Er zullen drie oefeningen van toenemende moeilijkheid worden uitgevoerd, elk met een ander aspect van CNN’s. Alle voorgestelde oplossingen zullen worden geïmplementeerd in Python, met behulp van het PyTorch-pakket. De voorgestelde oefeningen bestaan uit:
- Oefening 1: de eenvoudige MNIST-dataset zal worden gebruikt om drie eenvoudige CNN’s te trainen en te testen, respectievelijk bestaande uit één, twee en drie convolutionele lagen. Pooling en batch normalisatie worden ook toegevoegd om de verschillende prestaties te vergelijken.
- Oefening 2: een diep netwerk (bijvoorbeeld LeNet-5) dat op ImageNet is voorgetraind, wordt geladen. Vervolgens zullen de prestaties op MNIST en CIFAR10 worden geëvalueerd na een fine-tuning fase. Er zullen verschillende experimenten worden gedaan, rekening houdend met verschillende omstandigheden, zoals het finetunen van alle lagen of alleen de laatste.
- Oefening 3: de filters van een geleerd netwerk worden gevisualiseerd.
- Oefening 4: verschillende datasets (zoals CIFAR10 en SVHN) zullen worden getest met behulp van andere verschillende architecturen (zoals ResNet en VGG16) en de uiteindelijke prestaties op de testsets zullen worden geëvalueerd.
Tijdschema
| Duur (min) | Omschrijving | Concepten | Activiteit | Materiaal |
|---|---|---|---|---|
| 40 | Oefening 1: ontwikkelen, trainen en testen van eenvoudige CNN’s op een eenvoudige dataset | |||
| 40 | Oefening 2: het laden van een voorgetraind model, evaluatie na en vóór fine-tuning op gemeenschappelijke datasets | |||
| 20 | Oefening 3: een subset van geleerde filters visualiseren | |||
| 80 | Oefening 3: het vergelijken van classificatieprestaties op verschillende architecturen en complexere gegevens |
Erkenningen
Wij danken Eng. Andrea Apicella voor zijn bijdrage aan de ontwikkeling van het materiaal.
Het Human-Centered AI Masters-programma werd mede gefinancierd door de Connecting Europe Facility van de Europese Unie in het kader van de subsidie CEF-TC-2020-1 Digital Skills 2020-EU-IA-0068.
Lesplan op SURF
[{{{{SurfLink}} Wikiwijs pagina]