Vragen

Input notebook¶

Algemene instructies¶

• Je geeft je antwoord telkens na de ✍️. Na de 🔑 kan je beschrijven hoe je tot dit antwoord kwam (gebruik de cel nummers in de input notebook ter referentie).

• Er wordt enkel naar de beschrijving bij 🔑 gekeken indien je antwoord bij ✍️ fout is.

Q1¶

❓ Met welke soort taak hebben we hier te maken?

✍️
Klassificatie van beelden

🔑
De target variabele heeft 10 niveaus die overeenkomen met de labels van de inputbeelden.

classes = [
    "T-shirt/top",
    "Trouser",
    "Pullover",
    "Dress",
    "Coat",
    "Sandal",
    "Shirt",
    "Sneaker",
    "Bag",
    "Ankle boot",
]

Q2¶

❓ Met welke soort van model wordt hier gewerkt?

✍️
Een convolutioneel neuraal netwerk.

🔑
De modeldefinitie laat zien dat de basis van het model uit Convolutionele lagen bestaat.

Q3¶

❓ Hoeveel parameters heeft het model?

✍️
421642

🔑
Wordt berekend in de model definitie cel.

Q4¶

❓ Met welke soort ervaring wordt er hier geleerd?

✍️
Supervised learning

🔑
Er zijn target waarden aanwezig waarmee de loss berekend wordt

Q5¶

❓ Na hoeveel inputs worden gewichten aangepast tijdens de training?

✍️
64

🔑
Dit is de batch size

Q6¶

❓ Hoe vaak heeft het model de trainingsdata gezien tijdens het trainen?

✍️
5

🔑
Dit is het aantal epochs

Q7¶

❓ Welke verliesfunctie wordt hier gebruikt?

✍️
Cross Entropy Loss

🔑
zie loss_fn = nn.CrossEntropyLoss()

Q8¶

❓ Welk optimalisatie algoritme wordt hier gebruikt?

✍️
Stochastic Gradient Descent

🔑
zie optimizer = torch.optim.SGD(model.parameters(), lr=1e-3)

Q9¶

❓ Met welke stapgrootte wordt er tijdens de optimalisatie gewerkt?

✍️
1e-3
🔑
zie optimizer = torch.optim.SGD(model.parameters(), lr=1e-3)

Q10¶

❓ Welke score metrics worden hier bekeken?

✍️
Accuracy Precision Recall F1-score
🔑

Overall Accuracy: 70.00%
Average Precision: 0.694
Average Recall: 0.700
Average F1-Score: 0.679

Q11¶

❓ Er blijkt nogal wat verschil te zitten op de kwaliteit van de predicties per klasse. Zou dit te wijten kunnen zijn aan bias in de trainingsdata? Zo ja/nee waarom?

✍️
Nee, de data zijn perfect gebalanceerd met betrekking tot de klasses. De verschillen zijn enkel aan de visuele eigenschappen te wijten. 🔑
Zie de visualisatie van de trainingsdata volumes per klasse