Convolutional Neural Networks - Hinter den Kulissen

Toll, dass du dich für Convolutional Neural Networks interessierst. Wir freuen uns, dich auf unserer Kursseite begrüßen zu dürfen. Convolutional Neural Networks (CNNs) - eine Spezialform von neuronalen Netzen) stellen heute den Goldstandard für die Verarbeitung von Bilddaten im Bereich der künstlichen Intelligenz dar.

In diesem Spezialkurs gehen wir in der Tiefe auf die verschiedenen Elemente und LayerTypen in Convolutional Neural Networks ein. Dafür setzten wir die Werkzeuge der beiden Deep Learning Frameworks PyTorch und fastai ein und implementieren die einzelnen Layer selbst mithilfe von purem Python Code nach. Insbesondere behandeln wir folgende Themenbereiche:Aufbau von Convolutional Neural Networks in der Theorie und PraxisDie Convolution: Wir programmieren einen Convolutional Pooling Layer (Conv2d)Berechnung von Paddings und Strides bei ConvolutionsDie mathematischen Gleichungen hinter ConvolutionsWie ist der CNN-Learner aus dem fastai Framework aufgebaut.

Welche Theorien und Funktionalitäten sind in der 1cycleTraining Methode vom fastai Framework enthalten. Warum hilft das Konzept der Batch Normalization einem Convolutional Neural Network, das Training zu beschleunigen. Was ist eine Residual Network Architektur (ResNet) und wofür kann ich diese einsetzen.

Wir implementieren unser eigenes Resdiual Net Model sowohl mithilfe von PyTorch wie auch mit reinem Python Code. Skip Connections ist ein Konzept, das Residual Networks optimieren kann. Wir analysieren, was Skip Connections darstellen und wie wir diese in unserem Modell implementieren können.