Introdução

Essa é a última etapa do Projeto Final de INF721. Nela, você irá apresentar o seu trabalho em sala de aula e submeter seu código, modelo e relatório. Até agora, você implementou os trabalhos práticos usando o Google Colab. No entanto, em projetos ciêntíficos de Deep Learning, o código-fonte e o modelo treinado geralmente são publicados via GitHub, visando facilitar a reprodução dos resultados. Assim, nessa etapa, além de uma apresentação, você irá preparar um repositório no GitHub nos moldes dos projetos científicos de Deep Learning.

Objetivo

O objetivo principal dessa etapa é praticar a apresentação de resultados científicos e a publicação de código no contexto de Deep Learning.

Instruções

Essa etapa final terá requisitos diferentes para os alunos de graduação e de pós-graduação. Em ambos os casos, os alunos terão que apresentar o trabalho em sala de aula e submeter o código. No entanto o relatório será obrigatório apenas para os alunos de pós-graduação. Para os alunos da graduação, ele poderá ser entrega como avaliação extra.

  1. Apresentação

    A sua apresentação deve ter 8 minutos de duração, contendo as descrições dos seguintes aspectos:

    • O problema de aprendizado que está resolvendo (~2 minutos);
    • A base de dados utilizada (~1 minutos);
    • A arquitetura de rede definida (~2 minutos);
    • O procedimento de treinamento aplicado (~1 minuto);
    • Os resultados obtidos (~2 minutos).

    Na primeira etapa do projeto final você introduziu o problema e a base de dados. Portanto, nessa etapa, modifique seus slides para descrever a arquitura e o processo de treinamento. Para apresentar a arquitetura, utilize um diagrama que mostre as camadas de entrada, escondidas e de saída. Para o treinamento, crie uma tabela com o número de épocas, tipo de otimizador, taxa de aprendizado, e todos os outros híper-parâmetros relevantes. Os resultados podem ser apresentados em formato de tabela ou gráfico, o que for melhor para o seu caso. Foque nos resultados positivos, mas não se esqueça de comentar os desafios (i.e., resultados negativos) encontrados ao longo do projeto. Se você alterou a sua base de dados de alguma forma durante o projeto, descreva os ajustes feitos.

  2. Código Fonte

    O código-fonte do seu projeto deve ser publicado como um repositório GitHub. O código-fonte deve estar funcional e possibilitar a reprodução dos resultados apresentados. O seu código deve conter ao menos quatro scripts python:

    • inf721_dataset.py: define o seu conjunto de dados estendendo a classe Dataset do Pytorch;
    • inf721_model.py: define o seu modelo neural estendeno a classe Module do Pytorch;
    • inf721_train.py: executa o seu procedimento de treinamento e salvar os pesos;
    • inf721_inference.py: carrega um modelo salvo e realizar inferências.

    Sinta-se à vontade para adicionar mais scripts ao seu repositório. Por exemplo, para fazer a limpeza dos dados ou gerar gráficos dos resultados. Além do código, você deve criar um arquivo README.me contendo as seguintes informações (nessa order):

    • O título do projeto;
    • Uma breve descrição do projeto (~1 parágrafo);
    • Um link para download dos pesos da sua rede treinada;
    • Um tutorial com a sequência de comandos em python necessária para realizar inferencias com a rede utilizando os pesos baixados, ou seja, sem treiná-la novamente.
    • Um tutorial com a sequência de comandos para retreinar a sua rede neural e reproduzir os resultados apresentados.

  3. Relatório

    Essa etapa é obrigatória para alunos da pós-graduação e extra para os da graduação. O seu relatório deve ter o formato de um resumo expandido de no máximo 2 páginas (1 coluna, espaçamento 1.5, margem 2.5cm). O relatório deve conter o mesmo conteúdo da apresentação, mas apresentado em um estilo acadêmico de escrita.

    Para os alunos da graduação, a nota do relatório irá substuir a nota do menor teste. Caso a nota do seu relatório seja menor que a nota do menor teste, não haverá substituição.

Submissão

Para entregar o seu trabalho, envie (1) a link da sua apresentação, (2) o link do seu repositório e (3) um arquivo pdf com o texto do seu relatório (opcional para a graduação) na tarefa PF: Apresentação do PVANet. Apenas um membro do grupo precisa fazer a submissão.

Referências