Max Home IndustryВы хотите разобраться в компьютерном зрении, классификации изображений, обратном распространении и всех других ответвлениях сверточных нейронных сетей? В таком случае материалы курса Стэнфордского класса будут доступны в Интернете.
«Живая» презентация нового класса CS231n: сверточные нейронные сети для визуального распознавания, также известного как ConvNet, началась 5 января в Стэнфорде, и приглашаем посторонних.
Примечания к курсу и слайды доступны на GitHub, а его задания доступны на виртуальной машине на основе браузера. Предпосылками являются базовые знания линейной алгебры (например, операции с векторной матрицей) и исчисления (например, получение производных).
Термин «сверточная нейронная сеть» — это то, что я часто использовал в 2014 году. Ее можно рассматривать как глубокую нейронную сеть, то есть сеть с большим количеством слоев, которая применяется в каждом месте входного изображения. Вы можете представить сверточную сеть как сеть, в которую входят входные данные из меньшей области изображения, и это окно повторяется с небольшим сдвигом, чтобы покрыть все изображение.
Если вы следили за всеми нашими историями, вы также столкнулись с конкурсом ImageNet, источником большей части предыстории и материалов этого курса.
Его преподают сотрудники Stanford Vision Lab. Инструкторами курса являются Фей-Фей Ли, директор лаборатории, и аспирант Андрей Карпати, ведущий автор книги «Глубокие визуально-семантические согласования для создания описаний изображений» и создатель ConvNetJS, фреймворка, который привносит глубокие нейронные сети в ваш браузер. Проект был описан Майком Джеймсом как «хорошая и очень полезная работа», когда мы сообщали о нем в прошлом году.
В течение 10 недель курса студенты научатся определять, обучать, понимать и отлаживать сверточные нейронные сети (и нейронные сети в целом). Последнее задание будет включать обучение сверточной нейронной сети с многомиллионными параметрами и применение ее к самому большому набору данных классификации изображений (ImageNet).
Курс будет посвящен постановке задачи распознавания изображений, алгоритмам обучения (например, обратному распространению), практическим инженерным приемам для обучения и точной настройки сетей, а также поможет студентам выполнить практические задания и окончательный проект курса.
В полном расписании и программе представлены более подробные сведения, а слайды и заметки размещены на первые две недели. Вы также найдете задание первого класса, крайний срок которого — 21 января, и который включает в себя реализацию классификаторов kNN / SVM / Softmax (на Python / numpy) для классификации изображений.
Для этой первой презентации видео недоступны (запланированы для будущих повторных запусков), но примечания к классу предназначены для создания исчерпывающего справочника по построению, обучению, пониманию и отладке CNN.