Upravne informacije
| Naslov | Konvolucijska nevronska omrežja |
| Trajanje | 180 |
| Modul | B |
| Vrsta lekcije | Praktična |
| Osredotočenost | Tehnično – poglobljeno učenje |
| Tema | Globoko učenje |
Ključne besede
CNN, Deep learning, Pithon,
Učni cilji
- Pridobivanje izkušenj z usposabljanjem in testiranjem CNN-jev
- Pridobivanje izkušenj s prenosnim učenjem z uporabo CNN-ov in zamrzovalnih plasti
- Pridobivanje izkušenj v dobro znanem problemu s klasifikacijo z uporabo CNN-jev
Pričakovana priprava
Učenje Dogodki, ki jih je treba dokončati pred
Obvezno za študente
- Teorija in praksa na CNN
Neobvezno za študente
- Nobenega.
Reference in ozadje za študente
- Nobenega.
Priporočeno za učitelje
- Nobenega.
Gradivo za učne ure
Nobenega.
Navodila za učitelje
Ta Praktični zajema temeljni razvoj CNN, usposabljanje in testiranje. Izvajajo se tri vaje z vse večjimi težavami, od katerih vsaka pokriva drugačen vidik CNN. Vse predlagane rešitve bodo izvedene v Pythonu, z uporabo paketa PyTorch. Predlagane vaje vključujejo:
- Vaja 1: preprost nabor podatkov MNIST se bo uporabljal za usposabljanje in testiranje treh preprostih CNN-ov, sestavljenih iz ene, dveh in treh konvolucijskih plasti. Za primerjavo različnih rezultatov bosta dodana tudi združevanje in normalizacija serij.
- Vaja 2: na ImageNet bo naloženo globoko omrežje (npr. LeNet-5). Nato bodo predstave na MNIST in CIFAR10 ocenjene po fazi natančnega prilagajanja. Izvedeni bodo različni poskusi, ob upoštevanju različnih pogojev, kot je fino uravnavanje vseh plasti ali samo zadnjih.
- Vaja 3: filtri naučenega omrežja bodo vizualizirani.
- Vaja 4: več naborov podatkov (kot sta CIFAR10 in SVHN) bo preizkušenih z uporabo drugih različnih arhitektur (kot sta ResNet in VGG16), končne zmogljivosti na testnih sklopih pa bodo ocenjene.
Časovni razpored
| Trajanje (min) | Opis | Koncepti | Aktivnost | Material |
|---|---|---|---|---|
| 40 | Vaja 1: razvoj, usposabljanje in testiranje preprostih CNN-jev na preprostem naboru podatkov | |||
| 40 | Vaja 2: nalaganje predizobraženega modela, vrednotenje po in pred natančnim prilagajanjem na skupne nabore podatkov | |||
| 20 | Vaja 3: vizualizacija podmnožice naučenih filtrov | |||
| 80 | Vaja 3: primerjava uspešnosti klasifikacije na različnih arhitekturah in bolj zapletenih podatkov |
Priznanja
Hvala Eng. Andrea Apicella za njegov prispevek k razvoju materiala.
Program Masters umetne inteligence, ki je bil vključen v človeka, je bil sofinanciran z instrumentom za povezovanje Evrope Evropske unije v okviru nepovratnih sredstev (CEF-TC-2020–1 Digital Skills 2020-EU-IA-0068).
Učni načrt za SURF
[{{{{SurfLink}} Wikiwijs stran]