Informacje administracyjne
| Tytuł | Splotowe sieci neuronowe |
| Czas trwania | 180 |
| Moduł | B |
| Rodzaj lekcji | Praktyczne |
| Skupienie | Techniczne – głębokie uczenie się |
| Temat | Głębokie uczenie się |
Słowa kluczowe
CNN, głębokie uczenie się, Python,
Cele w zakresie uczenia się
- Zdobądź doświadczenie w szkoleniu i testowaniu CNN
- Zdobądź doświadczenie w Transfer Learning za pomocą CNN i zamrażania warstw
- Zdobądź doświadczenie w dobrze znanym problemie klasyfikacji za pomocą CNN
Oczekiwane przygotowanie
Wydarzenia edukacyjne, które należy ukończyć przed
Obowiązkowe dla studentów
- Teoria i praktyka w CNN
Opcjonalne dla studentów
- Brak.
Referencje i tło dla studentów
- Brak.
Zalecane dla nauczycieli
- Brak.
Materiały do lekcji
Brak.
Instrukcje dla nauczycieli
To praktyczne obejmuje podstawowy rozwój CNN, szkolenia i testy. Przeprowadzone zostaną trzy ćwiczenia o rosnącej trudności, z których każde obejmuje inny aspekt CNN. Wszystkie proponowane rozwiązania zostaną wdrożone w Pythonie przy użyciu pakietu PyTorch. Proponowane ćwiczenia obejmują:
- Ćwiczenie 1: prosty zestaw danych MNIST będzie używany do trenowania i testowania trzech prostych CNN składających się odpowiednio z jednej, dwóch i trzech warstw konwolucyjnych. Łączenie i normalizacja partii zostaną również dodane w celu porównania różnych wyników.
- Ćwiczenie 2: zostanie załadowana głęboka sieć (np. LeNet-5) wstępnie przeszkolona na ImageNet. Następnie wyniki na MNIST i CIFAR10 zostaną ocenione po etapie dostrajania. Prowadzone będą różne eksperymenty, biorąc pod uwagę różne warunki, takie jak dostrajanie wszystkich warstw lub tylko ostatnich.
- Ćwiczenie 3: filtry uczonej sieci będą wizualizowane.
- Ćwiczenie 4: kilka zbiorów danych (takich jak CIFAR10 i SVHN) zostanie przetestowanych przy użyciu innych różnych architektur (takich jak ResNet i VGG16), a ostateczne osiągi na zestawach testowych zostaną ocenione.
Harmonogram
| Czas trwania (min) | Opis | Koncepcje | Działalność | Materiał |
|---|---|---|---|---|
| 40 | Ćwiczenie 1: opracowywanie, szkolenie i testowanie prostych CNN na prostym zbiorze danych | |||
| 40 | Ćwiczenie 2: ładowanie wstępnie przeszkolonego modelu, ocena po dostrojeniu i przed dostrojeniem wspólnych zbiorów danych | |||
| 20 | Ćwiczenie 3: wizualizacja podzbioru uczonych filtrów | |||
| 80 | Ćwiczenie 3: porównanie wydajności klasyfikacji na różnych architekturach i bardziej złożonych danych |
Potwierdzenia
Dziękujemy Eng. Andrea Apicella za swój wkład w rozwój materiału.
Program Masters zorientowany na człowieka został współfinansowany przez instrument „Łącząc Europę” Unii Europejskiej w ramach grantu CEF-TC-2020-1 Umiejętności cyfrowe 2020-EU-IA-0068.
Plan lekcji na SURF
[{{{{{{{SurfLink}}} Strona Wikiwijs]