Administrative oplysninger
| Titel | Konvolutionelle neurale netværk |
| Varighed | 60 |
| Modul | B |
| Lektionstype | Tutorial |
| Fokus | Teknisk — Dyb læring |
| Emne | Dyb læring |
Nøgleord
CNN, Dyb læring,Python,
Læringsmål
- Implementering og træning af et CNN til et problem med billedklassifikation fra bunden
- Finjustering af et allerede uddannet netværk
- Overfør læring ved hjælp af arkitekturer trænet på ImageNet
Forventet forberedelse
Læringsbegivenheder, der skal fuldføres før
Obligatorisk for studerende
- Teori om CNN
Valgfrit for studerende
- Ingen
Referencer og baggrund for studerende
- Ingen
Anbefalet til lærerne
Ingen.
Undervisningsmaterialer
Instruktioner til lærerne
Denne vejledning dækker grundlæggende CNN udvikling, træning og test. Tre forskellige tutorial implementeret i form af Jupyter Notebook vil blive vist og diskuteret. Navnlig:
- implementeringen af en simpel CNN vil blive vist. Uddannelsen vil blive gennemført med et enkelt frit tilgængeligt datasæt (f.eks. MNIST). Evaluering med hensyn til nøjagtigheden af et testsæt efter træningsfasen vil blive vist.
- finjusteringen af et allerede uddannet netværk vil blive foretaget på et nyt datasæt (f.eks. Fashion-MNIST). Evaluering og sammenligning med et netværk, der er trænet fra bunden, vil blive vist og diskuteret.
- hvordan man indlæser og gemmer brugerdefinerede modeller vil blive vist.
Tidsplan
| Varighed (min) | Beskrivelse | Koncepter | Aktivitet | Materiale |
|---|---|---|---|---|
| 20 | Implementering og træning af en simpel CNN | |||
| 20 | Finjustering af et allerede uddannet netværk | |||
| 20 | Indlæs og gem arkitekturer |
Anerkendelser
Vi takker Eng. Andrea Apicella for sit bidrag til at udvikle materialet.
Programmet Human-Centered AI Masters blev samfinansieret af Connecting Europe-faciliteten i Den Europæiske Union under tilskud CEF-TC-2020-1 Digital Skills 2020-EU-IA-0068.