Prácticas de Deep Learning
Incluimos aquí una tabla resumen de las diferentes prácticas a realizar en el curso de Deep Learning, para que puedas ubicarte en todo momento de las tareas a realizar y los principales elementos que intervienen en cada una de ellas.
| GPU Task | Imágenes de entrenamiento | DNN usada | Epochs (pasadas) | Tiempo otorgado | Tiempo en cloud |
|---|---|---|---|---|---|
| 1. Entrena tu DNN | 16 de 2 clases: Louie / Not Louie | AlexNet | 2 | 70 min. | 100 min. |
| 2. Big Data | 18.750 de 2 clases: Gato / Perro | AlexNet | 100 | 70 min. | 90 min. |
| 3. Despliega tu modelo | DNN ya entrenada con dataset 2 | AlexNet | 5 | 40 min. | 40 min. |
| 4. Perfecciona el entrenamiento | DNN ya entrenada con dataset 2. Imagenet al final | AlexNet | 3-8 | 50 min. | 60 min. |
| 5. Detecta objetos (3 ideas): A1, A2 y A3 | (A1,A2) DNN ya entrenada con dataset 2. (A3) Dataset COCO | (A1) AlexNet, (A2) su mejora, (A3) DetectNet | (A1) 5, (A2) 5, (A3) 1 | 100 min. | 120 min. |
| Total | 330 min. (5h. 30') | 410 min. (6h 50') |
La penúltima columna, "Tiempo otorgado", indica el tiempo que dedicaremos a realizar cada práctica en clase. La última columna, "Tiempo en cloud" refleja el tiempo que alquilas en la nube (AWS) cada vez que lanzas esa tarea desde tu máquina virtual Jupyter, es decir, el máximo que puedes trabajar en cada sesión. No te preocupes si no puedes finalizar tus tareas en clase o quieres divertirte más con ellas, porque siempre podrás alquilar gratuitamente nuevas instancias de la duración que indica la última columna para completar tu aprendizaje desde casa. El número de veces que puedes hacer esto es ilimitado.