https://github.com/thefloatingstring/iclr_challenge

Reproducing research from ICLR 2018 by analyzing the evolution of a convolutional neural network in polynomial time.
https://github.com/thefloatingstring/iclr_challenge

cnn iclr-challenge iclr2018 keras mnist mnist-classification neural-networks polynomial-time python

Last synced: 23 days ago
JSON representation

Reproducing research from ICLR 2018 by analyzing the evolution of a convolutional neural network in polynomial time.

• Host: GitHub
• URL: https://github.com/thefloatingstring/iclr_challenge
• Owner: TheFloatingString
• Created: 2018-06-08T00:27:28.000Z (over 7 years ago)
• Default Branch: master
• Last Pushed: 2018-06-14T01:29:36.000Z (over 7 years ago)
• Last Synced: 2025-01-13T08:12:46.442Z (about 1 year ago)
• Topics: cnn, iclr-challenge, iclr2018, keras, mnist, mnist-classification, neural-networks, polynomial-time, python
• Language: Jupyter Notebook
• Homepage:
• Size: 904 KB
• Stars: 0
• Watchers: 1
• Forks: 0
• Open Issues: 0
• Metadata Files:
  • Readme: README.md

Awesome Lists containing this project

README

          
# ICLR_Challenge

**Auteur: Laurence Liang, étudiant en 4e secondaire au Collège Jean-de-Brébeuf**

Ensemble de programmes conçus par Laurence Liang le jeudi 7 juin 2018 pour reproduire une publication de la conférence ICLR.

![MNIST](https://cdn-images-1.medium.com/max/1600/1*yBdJCRwIJGoM7pwU-LNW6Q.png)

J'étudie l'évolution en temps polynomial d'un réseau neuronal convolutif (CNN) à reconnaître les images des données MNIST.

Mes programmes sont basés sur la recherche de la publication lors de la conférence ICLR, qui est disponible à https://openreview.net/forum?id=SkA-IE06W.

## Contexte

Le but de cette publication par Du, Lee et Tian et de savoir si l'apprentissage d'un CNN se fait en temps polynomial. Pour vérifier cette idée, ils ont observé l'apprentissage d'un CNN avec des filtres initialisés différemment.

## Mes observations reproduites

![Mes obervations](https://github.com/TheFloatingString/ICLR_Challenge/blob/master/R%C3%A9sultats/Comparaison.png)

J'ai réussi à reproduire pour 2 des 3 CNN une courbe avec une forme semblable aux observations publiées. Cela soutient leur idée qu'un CNN apprend en temps polynomial.

## Mes programmes (inclus dans ce dossier GitHub)

**ICLR Demo.ipynb:** une démonstration visuelle de mes reproductions avec une analyse plus approfondie

**iclr_conv.py:**    une classe avec un CNN **Keras** que j'ai conçu pour reproduire les travaux de Du, Lee et Tian.