Praktiskt: Konvolutionella neurala nätverk

Administrativ information

Nyckelord

CNN, Djupt lärande, Python,

Lärandemål

• Få erfarenhet av att träna och testa CNN
• Få erfarenhet av Transfer Learning med hjälp av CNN och fryslager
• Få erfarenhet av ett välkänt klassificeringsproblem med hjälp av CNN

Förväntad förberedelse

Lektionsmaterial

Ingen.

Instruktioner för lärare

Denna praktiska omfattar grundläggande CNN utveckling, utbildning och testning. Tre övningar med ökande svårigheter kommer att administreras, var och en av dem täcker en annan aspekt av CNN. Alla föreslagna lösningar kommer att implementeras i Python, med hjälp av PyTorch-paketet. De föreslagna övningarna består av följande:

• Övning 1: det enkla MNIST-datasetet kommer att användas för att träna och testa tre enkla CNN som består av ett, två respektive tre konvolutionella skikt. Poolning och batch normalisering kommer också att läggas till för att jämföra de olika prestanda.
• Övning 2: ett djupt nätverk (t.ex. LeNet-5) förutbildad på ImageNet kommer att laddas. Därefter kommer föreställningarna på MNIST och CIFAR10 att utvärderas efter en finjusteringsfas. Olika experiment kommer att göras, med tanke på olika förhållanden, som att finjustera alla lager eller bara de sista.
• Övning 3: filtren i ett inlärt nätverk kommer att visualiseras.
• Övning 4: flera dataset (t.ex. CIFAR10 och SVHN) kommer att testas med hjälp av andra olika arkitekturer (som ResNet och VGG16) och de slutliga prestandan på testuppsättningarna kommer att utvärderas.

Tidsplan

Erkännanden

Vi tackar Eng. Andrea Apicella för sitt bidrag till att utveckla materialet.

Masterprogrammet Human-Centered AI har samfinansierats av Fonden för ett sammanlänkat Europa i Europeiska unionen inom ramen för Grant CEF-TC-2020–1 Digital Skills 2020 EU-IA-0068.

Lektionsplan för SURF

[{{{{SurfLink}}} Wikiwijs sida]