Submit Search
Upload
Deep Learning Basic: #01 start from CNN
•
Download as PPTX, PDF
•
1 like
•
266 views
Terence Huang
Follow
Deep Learning Basic: #01 start from CNN
Read less
Read more
Data & Analytics
Report
Share
Report
Share
1 of 35
Download now
Recommended
# From statistics to ai
# From statistics to ai
Terence Huang
最近のDQN
最近のDQN
mooopan
Hands-on tutorial of deep learning (Keras)
Hands-on tutorial of deep learning (Keras)
Chun-Min Chang
Hangzhou Deep Learning Meetup-Deep Reinforcement Learning
Hangzhou Deep Learning Meetup-Deep Reinforcement Learning
Xiaohu ZHU
以深度學習加速語音及影像辨識應用發展
以深度學習加速語音及影像辨識應用發展
NVIDIA Taiwan
Gtc 2016 deep learning applications in speech and image recognition
Gtc 2016 deep learning applications in speech and image recognition
Shun-Fang Yang
Neural Network Basics
Neural Network Basics
Okis Chuang
Hello DNN
Hello DNN
evan li
Recommended
# From statistics to ai
# From statistics to ai
Terence Huang
最近のDQN
最近のDQN
mooopan
Hands-on tutorial of deep learning (Keras)
Hands-on tutorial of deep learning (Keras)
Chun-Min Chang
Hangzhou Deep Learning Meetup-Deep Reinforcement Learning
Hangzhou Deep Learning Meetup-Deep Reinforcement Learning
Xiaohu ZHU
以深度學習加速語音及影像辨識應用發展
以深度學習加速語音及影像辨識應用發展
NVIDIA Taiwan
Gtc 2016 deep learning applications in speech and image recognition
Gtc 2016 deep learning applications in speech and image recognition
Shun-Fang Yang
Neural Network Basics
Neural Network Basics
Okis Chuang
Hello DNN
Hello DNN
evan li
Pytorch cnn netowork introduction 20240318
Pytorch cnn netowork introduction 20240318
FEG
第六名 6th Aurora
第六名 6th Aurora
Leo Zhou
Mealionaire: A context-aware and ontology-based mobile recommender system for...
Mealionaire: A context-aware and ontology-based mobile recommender system for...
Carter Chen
美团点评技术沙龙14:美团四层负载均衡
美团点评技术沙龙14:美团四层负载均衡
美团点评技术团队
從 NN 到 嗯嗯
從 NN 到 嗯嗯
Heng-Xiu Xu
Subgroup-Discovery-2021.pptx
Subgroup-Discovery-2021.pptx
Yung-Ting Chen
# Can we trust ai. the dilemma of model adjustment
# Can we trust ai. the dilemma of model adjustment
Terence Huang
# 手把手 Python 資料分析 I
# 手把手 Python 資料分析 I
Terence Huang
#02 Next RNN
#02 Next RNN
Terence Huang
Deep Learning Advance: # Capsule net
Deep Learning Advance: # Capsule net
Terence Huang
Deep Learning Advance: #01 Domain Adaptation
Deep Learning Advance: #01 Domain Adaptation
Terence Huang
文字分析 Python 入門
文字分析 Python 入門
Terence Huang
從統計到資料科學
從統計到資料科學
Terence Huang
SQL 語言簡介
SQL 語言簡介
Terence Huang
More Related Content
Similar to Deep Learning Basic: #01 start from CNN
Pytorch cnn netowork introduction 20240318
Pytorch cnn netowork introduction 20240318
FEG
第六名 6th Aurora
第六名 6th Aurora
Leo Zhou
Mealionaire: A context-aware and ontology-based mobile recommender system for...
Mealionaire: A context-aware and ontology-based mobile recommender system for...
Carter Chen
美团点评技术沙龙14:美团四层负载均衡
美团点评技术沙龙14:美团四层负载均衡
美团点评技术团队
從 NN 到 嗯嗯
從 NN 到 嗯嗯
Heng-Xiu Xu
Subgroup-Discovery-2021.pptx
Subgroup-Discovery-2021.pptx
Yung-Ting Chen
Similar to Deep Learning Basic: #01 start from CNN
(6)
Pytorch cnn netowork introduction 20240318
Pytorch cnn netowork introduction 20240318
第六名 6th Aurora
第六名 6th Aurora
Mealionaire: A context-aware and ontology-based mobile recommender system for...
Mealionaire: A context-aware and ontology-based mobile recommender system for...
美团点评技术沙龙14:美团四层负载均衡
美团点评技术沙龙14:美团四层负载均衡
從 NN 到 嗯嗯
從 NN 到 嗯嗯
Subgroup-Discovery-2021.pptx
Subgroup-Discovery-2021.pptx
More from Terence Huang
# Can we trust ai. the dilemma of model adjustment
# Can we trust ai. the dilemma of model adjustment
Terence Huang
# 手把手 Python 資料分析 I
# 手把手 Python 資料分析 I
Terence Huang
#02 Next RNN
#02 Next RNN
Terence Huang
Deep Learning Advance: # Capsule net
Deep Learning Advance: # Capsule net
Terence Huang
Deep Learning Advance: #01 Domain Adaptation
Deep Learning Advance: #01 Domain Adaptation
Terence Huang
文字分析 Python 入門
文字分析 Python 入門
Terence Huang
從統計到資料科學
從統計到資料科學
Terence Huang
SQL 語言簡介
SQL 語言簡介
Terence Huang
More from Terence Huang
(8)
# Can we trust ai. the dilemma of model adjustment
# Can we trust ai. the dilemma of model adjustment
# 手把手 Python 資料分析 I
# 手把手 Python 資料分析 I
#02 Next RNN
#02 Next RNN
Deep Learning Advance: # Capsule net
Deep Learning Advance: # Capsule net
Deep Learning Advance: #01 Domain Adaptation
Deep Learning Advance: #01 Domain Adaptation
文字分析 Python 入門
文字分析 Python 入門
從統計到資料科學
從統計到資料科學
SQL 語言簡介
SQL 語言簡介
Deep Learning Basic: #01 start from CNN
1.
Deep Learning Basic #01
Start from CNN Terence Huang
2.
自我介紹 學經歷 緯創資通 高級工程師 (2015/3
~) 長庚醫院 研究助理 (2013/9 ~2014/11) 中山大學 應數系統計碩士 (2011/9 ~ 2013/7) 高雄師大 數學系學士 (2005/9 ~ 2009/7) 獲獎 2017 台南智慧黑客松智慧醫療組第二名 2012 中山高大統計新秀 特殊經歷 訪問 MIT 的工程師 (2017/10 ~ 2018/10) Pytorch Kaohsiung 讀書會的社長 11/10 即將開始第一次分享 2 Terence Huang
3.
進入 deep learning
影像分析前 • 回憶 neural network 3
4.
進入 deep learning
影像分析前 • 回憶 neural network - 就比較多條迴歸式一起算的模型 - 一個 unit = 一條迴歸式 • What is deep learning? 跟 neural network 有甚麼差別? - 比較多層比較 deep,所以就叫 deep learning 4 線性迴歸 𝑊1 𝑋1 + 𝑊2 𝑋2 + 𝑊3 𝑋3 = 𝑓 𝑖=1 𝑛 𝑊𝑖 𝑋𝑖 = Y
5.
進入 deep learning
影像分析前 • Neural network 20 幾年前就出現了,為什麼只紅一下下? - CPU 運算很強,但一次只能算一條迴歸式,所以太多條就爆了 - 那為什麼現在紅了? - 因為有 GPU, GPU 單顆運算不強,但有很多顆可以做平行運算,所以很威 • Deep learning is AI ? - No. - 咖啡測試:一台機器需要進入普通的家庭並找出如何煮咖啡。 找到咖啡機、找到咖啡、加水、 找到一個杯子、然後按下正確的按鈕來煮咖啡。 5
6.
CNN, convolution neural
network • CNN - 全名: Convolution neural network - 加入 convolution, pooling layer 後,很適合做影像分析 • 不加入 convolution, pooling 的瓶頸? - 把影像中每個點都當一個 unit → 式子數量多到 GPU 也不行了 6
7.
CNN, convolution neural
network • Convolution 7 Kernel size: 3×3 Stride: 1 Output channel: 1 Padding:
8.
CNN, convolution neural
network • Convolution 8 Kernel size: 3×3 Stride: 1 Output channel: 1 Padding:
9.
CNN, convolution neural
network • Convolution 9 Kernel size: 3×3 Stride: 1 Output channel: 2 Padding:
10.
CNN, convolution neural
network • Pooling - Max pooling & Average pooling 是最常用的 pooling 選擇. - 最常用的 Pooling size 是 2×2,Stride 為2 • 縮小一半尺寸、減少參數數量、減少75%運算量 • 可保留重要的特徵資訊 - Input size 跟 pooling 參數衝突 • Padding: 周圍補零 、捨棄邊界 10 Kernel size: 2×2 Stride: 2 Pooling function: Max Padding:
11.
CNN, convolution neural
network • Convolution 和 Max pooling - 主要目的:提取特徵及減少影像參數 - 缺陷: 只看局部,丟失位置資訊 • 補救方式:Augmentation - 放大縮小、平移 - 翻轉、旋轉 - 加雜訊 11 對 Conv, pooling 來說 兩張圖是一樣的
12.
CNN, convolution neural
network • Activation function - 對 unit 輸出值進行調整 - 常用來符合最後 output 型式 12
13.
CNN, convolution neural
network • Autoencoder - CNN 中特別的結構,目標:向量化影像特徵 - 無監督 (unsupervised) 的訓練方式 13 encode decode Convolution Pooling De-Convolution Up-sampling As close as possible
14.
CNN, convolution neural
network • 權重計算 - Backpropagation: 傳遞 預測誤差 來更新權重 1. 計算預測誤差 14 Backprop output layer
15.
CNN, convolution neural
network • 權重計算 - Backpropagation: 傳遞 預測誤差 來更新權重 1. 計算預測誤差 2. 傳遞誤差給前一層用 SGD 找最適權重
16.
CNN, convolution neural
network • 權重計算 - Backpropagation: 傳遞 預測誤差 來更新權重 1. 計算預測誤差 2. 傳遞誤差讓前一層用 SGD 找最適權重 3. 計算更新前一層後的預測誤差 16
17.
CNN, convolution neural
network • 權重計算 - Backpropagation: 傳遞 預測誤差 來更新權重 1. 計算預測誤差 2. 傳遞誤差讓前一層用 SGD 找最適權重 3. 計算更新前一層後的預測誤差 4. 一直把誤差傳遞給前面層做更新 17
18.
CNN, convolution neural
network • 權重計算 - Backpropagation: 傳遞 預測誤差 來更新權重 1. 計算預測誤差 2. 傳遞誤差讓前一層用 SGD 找最適權重 3. 計算更新前一層後的預測誤差 4. 一直把誤差傳遞給前面層做更新 - 梯度下降法 (SGD) 找最適權重 • 詳情請見微積分最後幾個章節 18
19.
Recall CNN • 缺陷補救:Augmentation •
Activation function - 對 unit 輸出值進行調整符合最後 output 19 • Convolution & de-Convolution • Pooling & Up-sampling
20.
動手時間 Q&A 1. 執行環境設定 -
Windows 安裝套件容易失敗 - VM, virtual machine 在 windows 上運行 linux 作業系統 - 本身 linux, mac 系統 ,可以試著直接安裝 python 和 keras 套件 - Copy & Paste 範例程式: mnist_cnn.py • Epoch = 2 2. 程式碼理解 - Copy & Paste 範例程式: mnist_cnn.py - 解析程式 - 改動程式 20
21.
解析程式 • mnist_cnn.py 手寫數字辨識 1.
引入 Keras 套件 2. 模型結構 3. 資料 (Image & label) 擺放 4. 預測結果 5. 參數調教 21
22.
解析程式 1. 引入 Keras
套件 - Keras 是高度模組化的 deep learning 套件 • 模組化: Tensorflow, Theano, CNTK • 易上手 • 不易客製化 layer 22 引入 Keras 套件 載入範例資料集 MNIST Keras 別名為 K 引入需要的函數式
23.
解析範例程式 2. 模型結構 23 建立 deep
learning 環境叫 model 設定預測誤差參數 放入資料開始跑模型 同時預測 Test set 結果 與訓練模型間關係:獨立 批次跑,一次跑多少筆 每筆資料跑多少次
24.
解析範例程式 3. 資料 (Image
& label) 擺放 24
25.
解析範例程式 3. 資料 (Image
& label) 擺放 - y_train - x_train 25 輸出結果往下拉 MNIST 的第一筆
26.
解析範例程式 3. 資料 (Image
& label) 擺放 - y_train - x_train 26 MNIST 的第一筆
27.
解析範例程式 3. 資料 (Image
& label) 擺放 - y_train - x_train 27 MNIST 的第一筆
28.
解析範例程式 4. 預測結果 28
29.
解析範例程式 5. 參數調教 - 直接參考
Keras 官網 29 看 github 上的 code
30.
動手時間 Q&A • 嘗試各種參數組合 •
換筆資料 • 換別的模型結構 • 出現錯誤 or 有想法不知怎麼做,請拜請谷哥大神 30
31.
CNN 應用 物件辨識 區域分割 31
32.
CNN 應用 • 物件辨識、區域分割:
2D/3D U-net 32
33.
CNN 應用 • 影像生成
GAN 33 含馬、斑馬特徵
34.
有趣的概念 對抗樣本:攻擊無人駕駛車模型的好幫手 34
35.
Q&A Thanks for your
attention! 35
Download now