KI in der Fahrzeugtechnik an der TU München

CitySTADT: Augsburg

CountryLAND: Deutschland

Kommilitonen im Kurs KI in der Fahrzeugtechnik an der TU München erstellen und teilen Zusammenfassungen, Karteikarten, Lernpläne und andere Lernmaterialien mit der intelligenten StudySmarter Lernapp.

Schaue jetzt auf StudySmarter nach, welche Lernmaterialien bereits für deine Kurse von deinen Kommilitonen erstellt wurden. Los geht’s!

Kommilitonen im Kurs KI in der Fahrzeugtechnik an der TU München erstellen und teilen Zusammenfassungen, Karteikarten, Lernpläne und andere Lernmaterialien mit der intelligenten StudySmarter Lernapp.

Schaue jetzt auf StudySmarter nach, welche Lernmaterialien bereits für deine Kurse von deinen Kommilitonen erstellt wurden. Los geht’s!

Lerne jetzt mit Karteikarten und Zusammenfassungen für den Kurs KI in der Fahrzeugtechnik an der TU München.

Beispielhafte Karteikarten für KI in der Fahrzeugtechnik an der TU München auf StudySmarter:

Which methods are used for data formatting of the input?

Beispielhafte Karteikarten für KI in der Fahrzeugtechnik an der TU München auf StudySmarter:

Adam


Beispielhafte Karteikarten für KI in der Fahrzeugtechnik an der TU München auf StudySmarter:

RMSProp

Why? Explain.

Beispielhafte Karteikarten für KI in der Fahrzeugtechnik an der TU München auf StudySmarter:

AdaGrad

Why? Explain


Beispielhafte Karteikarten für KI in der Fahrzeugtechnik an der TU München auf StudySmarter:

Which optimizers can be used in CNN?

Beispielhafte Karteikarten für KI in der Fahrzeugtechnik an der TU München auf StudySmarter:

What is an adversial patch?

Beispielhafte Karteikarten für KI in der Fahrzeugtechnik an der TU München auf StudySmarter:

Compare CNN to fully connected layers. What does the result depend on?

Beispielhafte Karteikarten für KI in der Fahrzeugtechnik an der TU München auf StudySmarter:

Why is Pooling used?

Beispielhafte Karteikarten für KI in der Fahrzeugtechnik an der TU München auf StudySmarter:

What is pooling? Which types of pooling exist?

Beispielhafte Karteikarten für KI in der Fahrzeugtechnik an der TU München auf StudySmarter:

What influences the dimension problem?

Beispielhafte Karteikarten für KI in der Fahrzeugtechnik an der TU München auf StudySmarter:

Is input and output dimensions in an CNN equal?

Beispielhafte Karteikarten für KI in der Fahrzeugtechnik an der TU München auf StudySmarter:

Regularization

How and why is it done?

Beispielhafte Karteikarten für KI in der Fahrzeugtechnik an der TU München auf StudySmarter:

KI in der Fahrzeugtechnik

Which methods are used for data formatting of the input?

  • centering
  • scaling
  • regularization

KI in der Fahrzeugtechnik

Adam


  • combines AdaGrad and Momentum
  • adds a velocity term to the gradient scaling factor
  • in first iteration bias term is added
  • because AdaGrad term Phi and momentum term close to zero > would give a large initial weight update

KI in der Fahrzeugtechnik

RMSProp

Why? Explain.

  • Problem: some weights get changed more often then others
  • like AdaGrad
    scaling gradient such that weight updates happen more equal and consistent
  • current weight updates get scaled by previous updates
  • solved by adding a decay rate for older factors

KI in der Fahrzeugtechnik

AdaGrad

Why? Explain


  • Problem: some weights get changed more often then others
  • here gradient gets scaled such that the weigh updates happens more equal and consistent along each dimension
  • current weight update is scaled by the previous update
  • large weigh updates in one dimension get scaled by a smaller factor
  • scaling factor (sum of weight updates) gets smaller with every iteration

KI in der Fahrzeugtechnik

Which optimizers can be used in CNN?

  • stocastic gradient descent SGD
  • SGD + Momentun
  • Nesterov + Momentum
  • AdaGrad and RMSProp
  • Adam

KI in der Fahrzeugtechnik

What is an adversial patch?

  • used to hack neural networks
  • show non-real objects made to confuse neural networks
  • or picture + noise specifically crafted

KI in der Fahrzeugtechnik

Compare CNN to fully connected layers. What does the result depend on?

  • result of CNN better than with fully connected layer
  • less storage needed
  • results depend on camera (Brennweiter, Objektiv) and light > diverse datasets needed for training

KI in der Fahrzeugtechnik

Why is Pooling used?

maximum detectable feature size is determined by filter size

Solutions:

  • increase filter size
    • increased amount of parameters increases
  • decreas input image with pooling
    • detect features in previous layer notlost as passed along
    • no pixel to pixel relation where features were located in input

KI in der Fahrzeugtechnik

What is pooling? Which types of pooling exist?

  • reduces the spartial output dimensions in a neural network
  • operatos (reduces) over each activation map independely
  • types
    • Max Pool
    • Average Pool

KI in der Fahrzeugtechnik

What influences the dimension problem?

  • filter size
  • stride
    • also stepsize
    • usually 1
    • bigger stepsize reduces dimension of output even further
  • 9×9 * filter 3×3
    • Stride 1
      Output 7×7
    • Stride 2
      Output
      4×4

KI in der Fahrzeugtechnik

Is input and output dimensions in an CNN equal?

  • wanted behaviour
  • but through dot product (Skalarpodukt) output size reduced
  • 9×9 * filter 3×3 > activation map 7×7
  • output size shrinks with every layer

KI in der Fahrzeugtechnik

Regularization

How and why is it done?

  • penalizes complicated neurons
  • one form: dropout
    some neurons are turned off

Why?

  • method to prevent overfitting
  • train neural networks more generalized
Gradient

Melde dich jetzt kostenfrei an um alle Karteikarten und Zusammenfassungen für KI in der Fahrzeugtechnik an der TU München zu sehen

Singup Image Singup Image

Andere Kurse aus deinem Studiengang

Für deinen Studiengang an der TU München gibt es bereits viele Kurse auf StudySmarter, denen du beitreten kannst. Karteikarten, Zusammenfassungen und vieles mehr warten auf dich.

Zurück zur TU München Übersichtsseite

Was ist StudySmarter?

Was ist StudySmarter?

StudySmarter ist eine intelligente Lernapp für Studenten. Mit StudySmarter kannst du dir effizient und spielerisch Karteikarten, Zusammenfassungen, Mind-Maps, Lernpläne und mehr erstellen. Erstelle deine eigenen Karteikarten z.B. für KI in der Fahrzeugtechnik an der TU München oder greife auf tausende Lernmaterialien deiner Kommilitonen zu. Egal, ob an deiner Uni oder an anderen Universitäten. Hunderttausende Studierende bereiten sich mit StudySmarter effizient auf ihre Klausuren vor. Erhältlich auf Web, Android & iOS. Komplett kostenfrei. Keine Haken.

studysmarter schule studium
d

4.5 /5

studysmarter schule studium
d

4.8 /5

So funktioniert's

Individueller Lernplan

StudySmarter erstellt dir einen individuellen Lernplan, abgestimmt auf deinen Lerntyp.

Erstelle Karteikarten

Erstelle dir Karteikarten mit Hilfe der Screenshot-, und Markierfunktion, direkt aus deinen Inhalten.

Erstelle Zusammenfassungen

Markiere die wichtigsten Passagen in deinen Dokumenten und bekomme deine Zusammenfassung.

Lerne alleine oder im Team

StudySmarter findet deine Lerngruppe automatisch. Teile deine Lerninhalte mit Freunden und erhalte Antworten auf deine Fragen.

Statistiken und Feedback

Behalte immer den Überblick über deinen Lernfortschritt. StudySmarter führt dich zur Traumnote.

1

Lernplan

2

Karteikarten

3

Zusammenfassungen

4

Teamwork

5

Feedback

Nichts für dich dabei?

Kein Problem! Melde dich kostenfrei auf StudySmarter an und erstelle deine individuellen Karteikarten und Zusammenfassungen für deinen Kurs KI in der Fahrzeugtechnik an der TU München - so schnell und effizient wie noch nie zuvor.