DEEP LEARNING

(1)

Zadania zaliczeniowe z Kerasa

AGH University of Science and Technology

Krakow, Poland

Adrian Horzyk

horzyk@agh.edu.pl

DEEP LEARNING

(2)

Zadania na zaliczenie z Kerasa

Zadanie 1.

(minimum na ocenę dostateczną)

Zbuduj i wytrenuj konwolucyjną sieć neuronową CNN, która dokona lepszej klasyfikacji zbioru MNIST niż wynik podany na wykładzie.

Zmodyfikuj hiperparametry sieci, poeksperymentuj (np. zastosuj różne sposoby optymalizacji, różne parametry drop out, różną ilość warstw itp.)!

Im lepszy wynik, tym lepsza ocena z tego zadania na zaliczenie.

Zadanie 2.

(obowiązkowe na ocenę wyższą niż dostateczną)

Zbuduj i wytrenuj konwolucyjną sieć neuronową CNN, która nauczy się klasyfikacji zbioru CIFAR-10 lub CIFAR-100 uzyska możliwie wysoki poziom uczenia (generalizacji/performance).

Zadanie 3.

(Opcjonalne, dla ambitnych lub ew. zamiennie z Zadaniem 2.) Zbuduj i wytrenuj konwolucyjną sieć neuronową CNN, która nauczy się

klasyfikacji dowolnego wybranego zbioru uczącego (np. ze zbiorów Kaggle.com) uzyska możliwie wysoki poziom uczenia (generalizacji/performance).

(3)

Implementacja CNN korzystająca z Kerasa

Na kolejnych slajdach podano kod Convolutional Neural Network (CNN) to

dla zbioru uczącego MNIST, który należy odpowiednio zmodyfikować, rozwinąć w celu realizacji zadań 1, 2. i 3.:

Każdy obraz w zbiorze MNIST składa się z 28x28 pikseli z wycentrowaną cyfrą z zakresu 0 do 9 w skali szarości. Należy dokonać klasyfikacji z wykorzystaniem konwolucyjnej sieci neuronowej (sekwencyjnej) oraz frameworka Keras.

(4)

Implementacja CNN korzystająca z Kerasa

Zbiór uczący CIFAR-10 zawiera obrazy sklasyfikowane do 10 klas:

(5)

Implementacja CNN korzystająca z Kerasa

Zbiór uczący CIFAR-100 zawiera obrazy sklasyfikowane 100 klas:

(6)

Kod prostej implementacji CNN dla MNIST

(7)

Kod prostej implementacji CNN dla MNIST

(8)

Kod prostej implementacji CNN dla MNIST

(9)

Bibliography and Literature

1. https://www.youtube.com/watch?v=XNKeayZW4dY 2. https://victorzhou.com/blog/keras-cnn-tutorial/

3. https://github.com/keras-team/keras/tree/master/examples

4. https://medium.com/@margaretmz/anaconda-jupyter-notebook- tensorflow-and-keras-b91f381405f8

5. https://blog.tensorflow.org/2019/09/tensorflow-20-is-now- available.html

6. http://coursera.org/specializations/tensorflow-in-practice

7. https://udacity.com/course/intro-to-tensorflow-for-deep-learning

University of Science and Technology in Krakow, Poland Adrian Horzyk horzyk@agh.edu.pl

Google: Horzyk