Transfer learning_Глубокое обучение

lab03.

lab03_mnist.ipynb - Решить задачу классификации с помощью MLP. Цель работы - оценить процесс обучения и качество модели.

lab04.

1.Логирование показателей ошибки и метрик при обучении и тестировании сети. Tensorboard. Графики Loss/Accuracy.

2. Классификация в случае несбалансированной выборки. (Imbalanced learning). Генерация синтетических данных (SMOTE).

3. Введение в Tensorflow Sequential API . Pytorch Sequential API . lab04_case_study_inclass

lab06

hw1: lab05 hw_task - реализация сверточного слоя

hw2: task - реализация batchnorm

lab07_part1

Transfer Learning и Domain Adaptation.

lab07_transfer_learning.ipynb, ответить на вопросы. Исследовать и сравнить Feature Extraction и Fine Tuning.

Для каждого пункта вывести :

- график loss'а на обучающей и на тестовой выборке

- качество модели (accuracy)

lab07_part2

Transfer learning. Продолжение.

lab07_part2_hw_task.ipynb - Реализовать архитектуру ResNet и обучить на CIFAR с помощью Transfer Learning.

Провести квантизацию модели.

Оценить производительность и точность обеих моделей.

Написать собственную реализацию ResNet20 для CIFAR10. Получить точность модели (accuracy) >0.9ние.

!напишите срок к которому получится и стоимость -предложу студенту такой вариант

если вдруг появится какая-то доп. информация,файлы- прикреплю

если есть какие то вопросы- пишите - уточню