Тричк 231: Trichq 231 серия (05.09.2017)

сверточных нейронных сетей для визуального распознавания Стэнфордский университет CS231n: сверточные нейронные сети для визуального распознавания

* Эта сеть работает в вашем браузере

Сверточная нейронная сеть в этом примере классифицирует изображения в реальном времени в вашем браузере с использованием Javascript, примерно на 10 миллисекунд на изображение. Он берет входное изображение и в конце преобразует его через ряд функций в вероятности класса.Преобразованные представления в этой визуализации могут быть ошибочно восприняты как активация нейронов на этом пути. Параметры этой функции изучаются методом обратного распространения по набору данных из пар (изображение, метка). Эта конкретная сеть классифицирует изображения CIFAR-10 в один из 10 классов и прошла обучение в ConvNetJS. Его точная архитектура — [conv-relu-conv-relu-pool] x3-fc-softmax, всего 17 слоев и 7000 параметров. Он использует 3×3 свертки и 2×2 области объединения.К концу урока вы будете точно знать, что означают все эти числа.

Описание курса

Computer Vision стала вездесущей в нашем обществе с приложениями для поиска, понимания изображений, приложений, картографии, медицины, беспилотных летательных аппаратов и автомобилей с автоматическим управлением. Основой многих из этих приложений являются задачи визуального распознавания, такие как классификация изображений, локализация и обнаружение. Недавние разработки в области нейронных сетей (так называемое «глубокое обучение») значительно улучшили производительность этих современных систем визуального распознавания.Этот курс представляет собой глубокое погружение в детали архитектуры глубокого обучения с упором на изучение сквозных моделей для этих задач, в частности, классификации изображений. В течение 10-недельного курса студенты будут учиться внедрять, обучать и отлаживать свои собственные нейронные сети и получать детальное понимание передовых исследований в области компьютерного зрения. Окончательное задание будет включать обучение сверточной нейронной сети с многомиллионными параметрами и применение ее к самому большому набору данных классификации изображений (ImageNet).Мы сосредоточимся на обучении тому, как решить проблему распознавания изображений, алгоритмах обучения (например, обратном распространении), практическим инженерным приемам для обучения и тонкой настройки сетей, и поможем студентам выполнить практические задания и завершить проект курса. Большая часть истории и материалов этого курса будет взята из ImageNet Challenge.

Инструкторы

координатор курса

помощников преподавателей

Кристина Юань

Время класса и местоположение

Весенний квартал (апрель — июнь 2020 г.).
Лекция: вторник, четверг, 12:00 — 13:20

Часы работы офиса

Вы можете найти полный список времени и мест в календаре.

Оценочная политика

Классификация изменена на S / NC
Деталь TBD
Задание № 1: 15%
Задание № 2: 15%
Задание № 3: 15%
Среднесрочный: 20%
Курсовой проект: 35%

Обсуждения курса

Стэнфордские студенты: Пьяцца
Наш аккаунт в Твиттере: @ cs231n

Сведения о назначении

См. Страницу назначения для получения более подробной информации о том, как сдать ваши назначения.

Курс Проект Подробнее

См. Страницу проекта для более подробной информации о проекте курса.

Предпосылки

• Владение языком Python
  Все классные задания будут на Python (и использовать numpy) (здесь мы предоставляем учебное пособие для тех, кто не так хорошо знаком с Python). Если у вас большой опыт программирования, но на другом языке (например, C / C ++ / Matlab / Javascript), у вас, вероятно, все будет хорошо.
• исчисление колледжа, линейная алгебра (e.грамм. МАТ 19 или 41, МАТ 51)
  Вам должно быть удобно брать производные и понимать матричные векторные операции и обозначения.
• Базовая вероятность и статистика (например, CS 109 или другой курс статистики)
  Вы должны знать основы вероятностей, гауссовых распределений, среднего значения, стандартного отклонения и т. Д.
• Эквивалентное знание CS229 (Машинное обучение)
  Мы будем формулировать функции стоимости, брать производные и выполнять оптимизацию с градиентным спуском.

FAQ

Какова политика классификации на весну 2020?

Согласно официальному законодательству сената факультета, оценка будет удовлетворительной / без кредита (S / NC) на весну 2020 года. Мы все еще определяем детали оценки, и мы скоро будем их обновлять.

Академическое размещение:

Если вам необходимо академическое жилье на основании инвалидности, вам следует обратиться с запросом в Управление доступного образования (OAE). ОАЭ оценит запрос, порекомендует жилье и подготовит письмо для преподавателей.Студенты должны связаться с OAE как можно скорее и в любом случае до наступления крайних сроков назначения, так как своевременное уведомление необходимо для координации размещения. Студент обязан связаться с преподавательским составом по поводу письма ОАЭ. Пожалуйста, отправьте ваши письма на [email protected]

Могу ли я пройти этот курс в кредит / без кредита?

Да. Кредит будет предоставлен тем, кто иначе получил бы C- или выше.

Могу ли я провести аудит или сидеть?

В целом мы очень открыты для аудита, если вы являетесь членом Стэнфордского сообщества (зарегистрированный студент, персонал и / или преподаватели).Из вежливости мы будем рады, если вы сначала напишите нам по электронной почте или поговорите с инструктором после первого занятия, которое вы посещаете.

Могу ли я работать в группах для финального проекта?

Да, в группах до трех человек.

У меня вопрос по поводу класса. Как лучше всего связаться с преподавателями?

Почти все вопросы должны быть заданы на площади. Если у вас есть деликатный вопрос, вы можете отправить инструктору по электронной почте напрямую.

Могу ли я объединить финальный проект с другим курсом?

Да, вы можете; однако перед этим вы должны получить разрешение от инструкторов обоих курсов.

,