IUM_05.Biblioteki_DL.ipynb

@@ -2,33 +2,46 @@
  "cells": [
   {
    "cell_type": "markdown",
-   "metadata": {},
+   "metadata": {
+    "slideshow": {
+     "slide_type": "slide"
+    }
+   },
    "source": [
-    "# Biblioteki ML"
+    "# Biblioteki Deep  Learning"
    ]
   },
   {
    "cell_type": "markdown",
-   "metadata": {},
+   "metadata": {
+    "slideshow": {
+     "slide_type": "slide"
+    }
+   },
    "source": [
     "## Plan na dziś\n",
-    "Przegląd bibliotek ML / DL:\n",
+    "Przegląd bibliotek DL:\n",
     "1. Tensorflow\n",
     "2. Pytorch\n",
     "3. Caffe \n",
-    "3\n",
-    "4. Deeplearning4J\n",
-    "5. CNTK (Microsoft Cognitive Toolkit)\n",
-    "6. ML.NET\n",
-    "7. MXNet\n",
+    "4. Caffe2\n",
+    "5. Deeplearning4J\n",
+    "6. CNTK (Microsoft Cognitive Toolkit)\n",
+    "7. ML.NET\n",
+    "8. MXNet\n",
     "9. Porównanie\n",
+    "10. Formaty wymiany modeli\n",
     "\n",
     "Zadanie"
    ]
   },
   {
    "cell_type": "markdown",
-   "metadata": {},
+   "metadata": {
+    "slideshow": {
+     "slide_type": "slide"
+    }
+   },
    "source": [
     "## Dynamiczne vs statyczne grafy obliczeniowe\n",
     "\n",
@@ -46,7 +59,11 @@
   },
   {
    "cell_type": "markdown",
-   "metadata": {},
+   "metadata": {
+    "slideshow": {
+     "slide_type": "slide"
+    }
+   },
    "source": [
     "## 1. Tensorflow\n",
     " - www.tensorflow.org\n",
@@ -63,7 +80,11 @@
   },
   {
    "cell_type": "markdown",
-   "metadata": {},
+   "metadata": {
+    "slideshow": {
+     "slide_type": "slide"
+    }
+   },
    "source": [
     "### 1.1 Keras\n",
     " - [keras.io](https://keras.io/)\n",
@@ -72,7 +93,11 @@
   },
   {
    "cell_type": "markdown",
-   "metadata": {},
+   "metadata": {
+    "slideshow": {
+     "slide_type": "slide"
+    }
+   },
    "source": [
     "## Przykład IRIS w Tensorflow/Keras\n",
     "https://www.tensorflow.org/tutorials/customization/custom_training_walkthrough"
@@ -80,7 +105,11 @@
   },
   {
    "cell_type": "markdown",
-   "metadata": {},
+   "metadata": {
+    "slideshow": {
+     "slide_type": "slide"
+    }
+   },
    "source": [
     "## 2. PyTorch\n",
     " - https://pytorch.org/\n",
@@ -97,7 +126,11 @@
   },
   {
    "cell_type": "markdown",
-   "metadata": {},
+   "metadata": {
+    "slideshow": {
+     "slide_type": "slide"
+    }
+   },
    "source": [
     "## 3. Caffe\n",
     " - http://caffe.berkeleyvision.org/\n",
@@ -110,12 +143,16 @@
   },
   {
    "cell_type": "markdown",
-   "metadata": {},
+   "metadata": {
+    "slideshow": {
+     "slide_type": "slide"
+    }
+   },
    "source": [
     "## 4. Caffe2\n",
     " - https://caffe2.ai/\n",
     " - Rozwijana przez Facebook\n",
-    " - zmergowana do repozytorium Tensorflow\n",
+    " - zmergowana do repozytorium PyTorch\n",
     " - Open source\n",
     " - Głównie zastosowania produkcyjne, w tym modele embedded (Caffe2go)\n",
     " - PyTorch: łatwość ekspoerymentowania, research. Caffe2: wydajność, urządzenia mobilne\n",
@@ -124,7 +161,11 @@
   },
   {
    "cell_type": "markdown",
-   "metadata": {},
+   "metadata": {
+    "slideshow": {
+     "slide_type": "slide"
+    }
+   },
    "source": [
     "## 5. Deeplearning4J\n",
     " - aka. DL4J, Deep Learning for Java\n",
@@ -139,7 +180,11 @@
   },
   {
    "cell_type": "markdown",
-   "metadata": {},
+   "metadata": {
+    "slideshow": {
+     "slide_type": "slide"
+    }
+   },
    "source": [
     "## 6. CNTK (Microsoft Cognitive Toolkit)\n",
     "- https://cntk.azurewebsites.net/\n",
@@ -151,7 +196,11 @@
   },
   {
    "cell_type": "markdown",
-   "metadata": {},
+   "metadata": {
+    "slideshow": {
+     "slide_type": "slide"
+    }
+   },
    "source": [
     "## 7. ML.NET\n",
     " - https://dot.net/ml\n",
@@ -168,7 +217,11 @@
   },
   {
    "cell_type": "markdown",
-   "metadata": {},
+   "metadata": {
+    "slideshow": {
+     "slide_type": "slide"
+    }
+   },
    "source": [
     "## 8. MXNet\n",
     " - https://mxnet.apache.org/\n",
@@ -181,7 +234,11 @@
   },
   {
    "cell_type": "markdown",
-   "metadata": {},
+   "metadata": {
+    "slideshow": {
+     "slide_type": "slide"
+    }
+   },
    "source": [
     "## 9. Porównanie\n",
     "|Framework    |Autor       |Licencja  | Język     | Interface                  |Uwagi |\n",
@@ -199,7 +256,11 @@
   },
   {
    "cell_type": "markdown",
-   "metadata": {},
+   "metadata": {
+    "slideshow": {
+     "slide_type": "slide"
+    }
+   },
    "source": [
     "## 9. Formaty wymiany\n",
     " - większość bibliotek używa innego formatu do zapisu modeli\n",
@@ -218,10 +279,16 @@
   },
   {
    "cell_type": "markdown",
-   "metadata": {},
+   "metadata": {
+    "slideshow": {
+     "slide_type": "slide"
+    }
+   },
    "source": [
     "## Zadanie [20 pkt.]\n",
     "\n",
+    "Termin: 2 tygodnie (25 IV)\n",
+    "\n",
     "1. Wybierz jeden z frameworków ML (jeden z powyższych, ale może być też inny) i zaimplementuj w nim prostą sieć neuronową rozwiązującą wybrany problem (np regresji lub klasyfikacji) na wybranym na poprzednich zajęciach zbiorze. Możesz wzorować się (lub nawet skopiować) na jednym z tutotoriali do danego frameworka.\n",
     "    - wczytaj dane trenujące z pliku [2 pkt.]\n",
     "    - wytrenuj na nich model [8 pkt.]\n",
@@ -238,6 +305,7 @@
   }
  ],
  "metadata": {
+  "celltoolbar": "Slideshow",
   "kernelspec": {
    "display_name": "Python 3",
    "language": "python",