Administratívne informácie
| Názov | Konvolučné neurónové siete |
| Trvanie | 180 |
| Modul | B |
| Druh lekcie | Praktické |
| Zameranie | Technické – hĺbkové učenie |
| Téma | Hlboké učenie |
Kľúčové slová
CNN,hlboké učenie,Python,
Vzdelávacie ciele
- Získajte skúsenosti s odbornou prípravou a testovaním CNN
- Získajte skúsenosti s transferom učenia pomocou CNN a mraziacich vrstiev
- Získajte skúsenosti s dobre známym klasifikačným problémom pomocou CNN
Očakávaná príprava
Naučte sa udalosti, ktoré treba dokončiť predtým
Povinné pre študentov
- Teória a prax v CNN
Voliteľné pre študentov
- Žiadne.
Referencie a zázemie pre študentov
- Žiadne.
Odporúčané pre učiteľov
- Žiadne.
Učebné materiály
Žiadne.
Pokyny pre učiteľov
Táto praktická sa vzťahuje na základný vývoj, odbornú prípravu a testovanie CNN. Vykonajú sa tri cvičenia s narastajúcimi ťažkosťami, pričom každé z nich bude pokrývať iný aspekt CNN. Všetky navrhované riešenia budú implementované v Pythone pomocou balíka PyTorch. Navrhované cvičenia pozostávajú z:
- Cvičenie 1: jednoduchý súbor údajov MNIST sa použije na trénovanie a testovanie troch jednoduchých CNN zložených z jednej, dvoch a troch konvolučných vrstiev. Na porovnanie rôznych výkonov sa pridá aj združovanie a normalizácia šarží.
- Cvičenie 2: načíta sa hlboká sieť (napr. LeNet-5) predtrénovaná na ImageNet. Potom sa výkony na MNIST a CIFAR10 vyhodnotia po dolaďovacej fáze. Vykonajú sa rôzne experimenty, berúc do úvahy rôzne podmienky, ako je dolaďovanie všetkých vrstiev alebo len tých posledných.
- Cvičenie 3: filtre učenej siete budú vizualizované.
- Cvičenie 4: niekoľko súborov údajov (napríklad CIFAR10 a SVHN) sa bude testovať s použitím iných rôznych architektúr (napríklad ResNet a VGG16) a vyhodnotia sa konečné výsledky na testovacích súboroch.
Časový harmonogram
| Trvanie (min) | Popis | Koncepty | Činnosť | Materiál |
|---|---|---|---|---|
| 40 | Cvičenie 1: vývoj, odborná príprava a testovanie jednoduchých CNN na jednoduchom súbore údajov | |||
| 40 | Cvičenie 2: načítanie vopred vyškoleného modelu, hodnotenie po a pred doladením spoločných súborov údajov | |||
| 20 | Cvičenie 3: vizualizácia podmnožiny učených filtrov | |||
| 80 | Cvičenie 3: porovnanie výsledkov klasifikácie rôznych architektúr a zložitejších údajov |
Uznania
Ďakujeme Eng. Andrea Apicella za jeho príspevok k vývoju materiálu.
Program Masters umelej inteligencie zameraný na človeka bol spolufinancovaný z Nástroja Európskej únie na prepájanie Európy v rámci grantu CEF-TC-2020 – 1 Digitálne zručnosti 2020-EU-IA-0068.
Plán vyučovania na SURF
[{{{{{{{SurfLink}}} stránka Wikiwijs]