Deep learning
Van convoluties tot leren van bestaande modellen.
Begin dit leerpadLeren kijken met gedeelde filters
Schuif één filter over een beeld
Bereken lokale gewogen sommen, volg het filtervenster en ontdek waarom een CNN dezelfde gewichten overal gebruikt.
Nog te ontdekkenBepaal de ruimte en diepte van een convolutie
Combineer stride, padding en meerdere invoerkanalen zonder een dimensie of bias dubbel te tellen.
Nog te ontdekkenVat buurten samen en stuur de gradiënt terug
Bouw maxpooling met expliciete tie-break, tel overlappende gradiënten op en bereken het receptive field.
Nog te ontdekkenLeer het gedeelde filter met backprop
Verzamel iedere vensterbijdrage, bereken gradiënten naar pixels en gewichten en bewijs ze met eindige verschillen.
Nog te ontdekkenLeer cijferpatronen met je eigen CNN
Train vier convolutiefilters en een classifier, met eigen backprop door ReLU en maxpooling, op echte MNIST-beelden.
Nog te ontdekkenGeef het signaal een directe route
Bouw residual connections, houd vormen gelijk en bereken de gradiënt langs de leerbare en directe route.
Nog te ontdekkenHergebruik features en kies wat mag veranderen
Bevries een encoder, train een nieuwe head en maak fine-tuning een expliciete keuze per parametergroep.
Nog te ontdekkenLaat een netwerk zijn vorige toestand meenemen
Rol een RNN uit in de tijd en bereken backpropagation through time met gedeelde gewichten en foutsignalen uit latere stappen.
Nog te ontdekkenRegel wat het geheugen bewaart, schrijft en toont
Bouw een LSTM-cel met vier poorten en onderscheid de directe geheugenroute van de volledige recurrente gradiënt.
Nog te ontdekkenMaak van een token-ID een trainbare vector
Bouw embeddinglookup, verzamel gradiënten voor herhaalde tokens en gebruik een masker bij gemiddelde pooling.
Nog te ontdekken