From 304d3489908d2ac108ac25783299b168b58fbbee Mon Sep 17 00:00:00 2001 From: =?UTF-8?q?Tomasz=20Zi=C4=99tkiewicz?= Date: Mon, 12 Apr 2021 13:51:53 +0200 Subject: [PATCH] =?UTF-8?q?Poprawki=20do=20zaj=C4=99=C4=87=205.?= MIME-Version: 1.0 Content-Type: text/plain; charset=UTF-8 Content-Transfer-Encoding: 8bit --- IUM_05.Biblioteki_DL.ipynb | 116 +++++++++++++++++++++++++++++-------- 1 file changed, 92 insertions(+), 24 deletions(-) diff --git a/IUM_05.Biblioteki_DL.ipynb b/IUM_05.Biblioteki_DL.ipynb index ae51b2d..4d49da6 100644 --- a/IUM_05.Biblioteki_DL.ipynb +++ b/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",