2401_84769813的博客

通过对程序的修改、调试、完善等，实现正确输出求解八数码问题的过程，通过对实验结果的分析，如：所用时间、生成节点数、扩展结点数等的分析可知，启发性信息越强，搜索节点数越少，启发性越弱，搜索节点越多，由此可见，设计一个恰当的启发函数，对于求解一个问题是非常重要的，当然，在实验过程中发现，复杂问题，如，难以到达目标状态的八数码排列，需要耗费很长时间，经过很多步骤，生成上千节点，代价过大，所以前面的结果比较和结果截图均选用简单情况。对于一般的启发式图搜索，总是选择估价函数 f 值最小的节点作为扩展节点。

对于ORL人脸库中的样本都是图像类型，存储在文件夹中，如何处理文件夹下的内容是一道难题，通过参照其他程序可知，在程序中处理文件夹下的内容，可以输入文件夹的路径，然后通过os.listdir(file_path)可获得该文件夹下的所有文件；在我们做新样本数据的分类时，将其投影到同样的直线上，再根据投影点的位置来确定新样本的类别。以前的练习都是处理的excel文件或csv文件，对于PGM类型文件，即图像的处理，并没有处理过，所以学习了相关的处理图像的方法，即处理表示图像的二维矩阵，作为参数，训练模型。

当然还用一个评估函数，即getvalue()函数，用以对后续状态进行考虑，计算评估值，赢的评估值设为100，输的评估值设为-100，其他情况为 e(P)=e(那些仍为 MAX 空着的完全的行、列或对角线的总数)-e(那些仍为 MIN 空着的完全的行、列或对角线的总数)，通过评估值来表示赢面，数值最大时，为当前局面的最佳落棋位置。MAX节点的评估下限α设为第一个MIN子节点的值，若后续的子节点高于α，则取为新的α，而对于后续评估值小于等于α的节点的搜索可以停止，即进行了α剪枝。这一过程称为 α 剪枝。

投票是以如下方式进行。首先，通过数据及折线图可知，将图像数据降维到不同维数时，在相同核函数的分类器中得到的识别准确率不同，根据不同核函数的特点，一般情况下降到的维数越高，准确率越高，反之，准确率越低，当然也有个例，如poly函数与其他核函数训练的模型准确率变化趋势相反。同时，根据数据及折线图可知，不同的核函数对相同数据建立的分类器，具有不同效果，如sigmoid核函数对维数较低的数据建立的分类器准确率较低，linear核函数和poly核函数不论是降维到较低维数，还是降维到较高位数的数据，均有较高的准确率。

因为产生的数据是随机的，可能会相近，或相等，所以数据可能会重合，不利于分类，若新生成的数据与先前生成的数据产生碰撞，即距离较近，则令其重新生成。选择0-100内的数据进行分类，首先创建向量，与所有修正后的权向量相乘，寻找最大值，并将其划分到该类中。利用感知器准则实现多类分类，首先每一类初始化一个权向量，然后，对每一类的数据进行修正，根据前面给出的公式进行操作，调整权向量。可以证明，这种算法在经过有限次迭代之后是收敛的，也就是说，根据此规则修正权向量，可以让所有的特征向量都正确分类。

依托本实验利用CNN实现手写识别，切实了解了卷积神经网络 CNN 框架，学习了LeNet5网络的7层结构，并且通过本实验，了解了PyCharm软件中下载库函数各种意外情况，学会了搭建虚拟地Python环境并应用到程序程序执行中。在此之前，我下载了有关MNIST的数据集，后来通过查询相关资料，得知torchvision.datasets中有一些常用的数据集，其中就包含mnist，在此，直接进行下载并导入，定义预处理函数，这些预处理依次放在Compose函数中。直至把所有的数据都抛出。直至把所有的数据都抛出。