《人工智能》之课程实验

传教士与野人过河问题(numpy、pandas) 传教士与野人过河问题(numpy、pandas) 可自定义输入 有完整代码 A*算法 阅读详情

教材:《人工智能及其应用》,蔡自兴等,2016m清华大学出版社(第5版)

参考书:
在这里插入图片描述

1 知识表示方法—渡河问题

程序执行流程:

  1. 首先,包含状态(首次为初始状态)的结构体结点(已存入结构体数组)传入处理函数,然后判断该传入结点状态是否为目标状态。
    是则遍历打印结构体数组,打印完成之后,返回递归调用处,顺序执行之后代码(此步骤关系到是否能找到所有过河路径);
    否则继续判断是否该传入结点已存在于结构体数组当中,如存在,不再往下执行,返回递归调用处,顺序执行之后代码;
    若不存在,则继续判断该传入状态的人数是否合理(是否出现人物数量小于0的情况等),若不合理,返回递归调用处,顺序执行之后代码;
    若合理,则继续判断传教士和野人人数限制条件,即在传教士人数不为0的情况下,野人人数是否大于传教士人数,若大于则出现吃人的情况,也就是说该传入状态也不合理,则返回递归调用处,顺序执行之后代码;
    若不满足大于条件,则说明该状态是路径转态,也就是合理的,那么进行五种渡河方案的依次变换,首先为第一种渡河方案,两个传教士过河(注意:此处的5中渡河方案没有固定顺序,也可以是其他渡河方案),那么对该传入状态的左岸和右岸的传教士人数和野人人数进行增减。
  2. 增减完成并改变船的状态(使用正负一表示,正一为左岸,负一为右岸)以后就产生了一个新的状态,将该状态存入结构体数组,之后此处又递归调用处理函数,将新产生的转态结点传入,再次进行上述条件限制判断。
    若在该判断途中被返回至递归调用处,说明该状态不合理,则此时将已经存入结构体数组的状态结点移出结构体数组,然后程序顺序执行,进行下一个渡河方案的处理,也就是说,此时的处理是对上一个传入结点的操作(因为刚传入的已经移出了);
    若在判断途中未被返回至递归调用处,也就是说,传入的结点合理了,那么又开始从第一种渡河方案开始对该传入状态进行操作。
  3. 按照上述过程循环执行,直到出现目标状态,回到本段开头,遍历结构体数组,打印渡河路径结点信息。
  4. 完成以后,返回递归调用处,顺序执行之后代码,此后的操作是在寻找其他渡河路径。

程序说明:

  1. 结构体MyLeftBank定义传教士、野蛮人和船的状态
    在这里插入图片描述

  2. InitSailWay函数负责初始化传教士、野蛮人的数量和路线编号
    在这里插入图片描述

  3. BoatGoOppositeBank函数负责船完成一次航行后,传教士、野蛮人和船的状态转换,出错返回-1
    在这里插入图片描述

  4. JudgeBothBankState函数负责检查两岸的状况是否合法
    在这里插入图片描述

  5. ReturnAvailableState函数负责当到达目标状态时,返回可用的路线
    在这里插入图片描述

  6. PrintingSailWay函数负责输出安全渡河的方案编号和过程
    在这里插入图片描述

  7. CrossRiver函数负责统计安全渡河的方案数,如无安全渡河的方案,也给出“很遗憾,我们找不到方案”的提示
    在这里插入图片描述

程序截图:
在这里插入图片描述
在这里插入图片描述
当m,c,n增大时,程序花费的时间大幅度增加:

在这里插入图片描述
在这里插入图片描述

2 A*算法解决8数码问题

  1. 估价函数f(n) = g(n) + h(n)
    其中f(n)是节点n从初始点到目标点的估价函数,g(n)是在状态空间中从初始节点到n节点的实际代价,h(n)是从n到目标节点最佳路径的估计代价。
    设g(n)为已经移动的步数。在move函数中,每次移动加1即可。
    设h(n)为此状态与目标状态中相异数字的个数。由a_start_h函数求得:
    在这里插入图片描述

  2. open表与close表的维护
    open表:可以简单认为是一个未搜索节点的表
    close表:可以简单认为是一个已完成搜索的节点的表(即已经将下一个状态放入open表内)
    规则一:对于新添加的节点S(open表和close表中均没有这个状态),S直接添加到open表中。
    规则二:对于已经添加的节点S(open表或者close表中已经有这个状态),若在open表中,与原来的状态S_0的f(n)比较,取最小的一个。若在close表中,那就分成两种情况:第一种,close表中的该状态S_0的f(n)大于S的,不做修改;第二种S_0的f(n)小于S的,那就要需要将close表中S_0的f(n)更新,同时将该状态移入到open表中。
    规则三:下一个搜索节点的选择问题,选取open表中f(n)的值最小的状态作为下一个待搜索节点
    规则四:每次需要将带搜索的节点下一个所有的状态按照规则一、二更新open表,close表,搜索完该节点后,移到close表中。

  3. 无解情况
    将九宫格变成线性后,计算初始状态和目标状态的奇偶性是否一致,一致有解,否则无解。
    在这里插入图片描述

程序截图:
输入起始图和目标图,若有解,则输出移动过程和步数;若无解,则输出无解。
在这里插入图片描述

3 BP神经网络——鸢尾花识别问题

  1. 下载Iris数据集并导入
    进入Iris Data Set下载鸢尾花数据集iris.data:
    在这里插入图片描述

  2. 数据归一化

%数据归一化处理
x_max=max(data);
x_min=min(data);
data=(data-ones(m,1)*x_min)./(ones(m,1)*(x_max-x_min));
  1. 划分训练样本和测试样本
    将Iris(鸢尾花)数据集分为训练集(Iris-train.txt)和测试集(Iris-test.txt),分别含75个样本。
%划分训练样本和测试样本 大约1/2用作训练,1/2用作测试
num=round(m/2/3);
for i=1:3
    temp=data(1+50*(i-1):50*i,:);
    sel=randperm(50,num);
    test(1+num*(i-1):num*i,:)=temp(sel,1:4);
    test_label(1+num*(i-1):num*i,:)=temp(sel,5:7);
    temp(sel,:)=[];
    train(1+(50-num)*(i-1):(50-num)*i,:)=temp(:,1:4);
    train_label(1+(50-num)*(i-1):(50-num)*i,:)=temp(:,5:7);
end
  1. BP神经网络设置
alpha=4;%输入神经元数目
beta=10;%隐层神经元数目
lamda=3;%输出神经元数目
  1. 测试
%测试
[result,accuracy]=BP_test(test,test_label,W1,W2,B1,B2);
disp('结果为:')
result'
disp(strcat('准确率为',num2str(accuracy*100),'%'))
function [result,accuracy]=BP_test(test,test_label,W1,W2,B1,B2)
%返回分类的结果
%accuracy准确率
Hidden_in=test*W1;%隐层输入
Hidden_out=sigmod(Hidden_in-B1);%隐层输出
Output_in=Hidden_out*W2;%输入层输入
Output_out=sigmod(Output_in-B2);
[~,result]=max(Output_out,[],2);
[~,index2]=max(test_label,[],2);
right=sum(result==index2);%统计分类正确的个数
total=size(test,1);%总个数
accuracy=right/total;
end
%sigmod函数在matlab里是logsig函数
function [Y]=sigmod(X)
Y=1./(1+exp(-1).^X);
end     

程序截图:
在这里插入图片描述
独立运行十次,平均准确率为95%,标准差为0.025438487。

4 决策树——ID3算法

  1. 计算信息熵

  2. 划分数据集
    在这里插入图片描述

  3. 计算最大增益
    在这里插入图片描述
    程序截图:
    在这里插入图片描述
    在这里插入图片描述

完整代码及实验报告

Github地址:Artificial-Intelligence-Experiment-And-Homework
优快云地址:《人工智能》平时作业与实验.zip

野人与传教士——宽度优先搜索(完整报告,含全部代码) 野人与传教士渡河问题:3个野人与3个传教士打算乘一条船到对岸去,该船一次最多能运2个人,在任何时候野人人数超过传教士人数,野人就会把传教士吃掉,如何用这条船把所有人安全的送到对岸?在实现基本程序的基础上实现N个野人与N个传教士问题的所有解的求解,N由用户输入。 阅读详情

相关推荐

人工智能综合实验箱:一体化平台解决AI学习8大核心课程实践难题

人工智能作为当今科技发展的核心驱动力,其技术原理基于机器学习、深度学习等算法对数据模式的学习与识别。在工程实践中,环境配置复杂、工具链分散成为AI学习的主要障碍,特别是机器学习、计算机视觉、语音识别等不同领域需要特定的软件库和硬件支持。人工智能综合实验箱通过硬件集成和软件统一架构,将《机器学习》《深度学习》《数字图像处理》《语音识别》等8大核心课程的实验环境整合到一体化平台中,有效解决了传统学习方式中环境配置复杂、实验资源分散、理论与实践脱节三大痛点。该平台采用容器化设计,支持从数据预处理、模型训练到部署应

weixin_33754065的博客 370

传教士与野人过河问题 人工智能实验算法

问题描述   有 N 个传教士和 N 个野人来到河边渡河,河岸有一条船,每次至多可供 k 人乘渡。问:传教士为了安全起见,应如何规划摆渡方案,使得任何时刻, 河两岸以及船上的野人数目总是不超过传教士的数目(否则不安全,传教士有可能被野人吃掉)。 即求解传教士和野人从左岸全部摆渡到右岸的过程中,任何时刻满足 M (传教土数) ≥ C 野人数)和 M+C≤k 的摆渡方案。 写在前面 传教士与...

“跟他人学,和自己比” 9383

实验室建设案例 | 哈工大人工智能实验室建设及实训课程完美收官

在人工智能、物联网、嵌入式等方向人才培养及产品研发上,华清远见积累了丰富的教学及研发经验,形成了可规模化广泛应用的高校专业教学实训一体化的解决方案。实训课整体设计,依据哈工大专业课程设置和学生的知识结构作了定制开发,将创新性的人工智能教学平台、丰富的课程内容、有趣的项目实训完美结合,带领学员从完成一个个实训任务,到最终完成自己的一个实训作品,让学生在项目实战中真正学习到技术在场景中的实践应用,深度挖掘学生对人工智能技术的感知,实践创新应用型人才培养模式。无偿分享大家一个资料包,差不多150多G。

m0_70888041的博客 2314

人工智能--野人过河

课程简介 人工智能(Artificial Intelligence),英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。人工智能的定义可以分为两部分,即“人工”和“智能”。“人工”比较好理解,争议性也不大。有时我们会要考虑什么是人力所能及制造的,或者人自身的智能程度有没有高到可以创造人工智能的地步,等等。但总的来说,“人工系统”就是通...

苦作舟的空城机 4281

人工智能综合实验箱:从核心课程到工程实践的全栈教学平台

人工智能作为当前技术发展的核心驱动力,其教学实践需要系统化的平台支撑。人工智能综合实验箱通过集成硬件接口和软件框架,构建了标准化的实验环境,降低了学习门槛。在技术原理层面,实验箱采用分层架构设计,从操作系统驱动到应用算法层,支持机器学习、深度学习等核心技术的完整实现。其技术价值在于将分散的知识点串联成系统的工程能力,避免了环境配置的复杂性。在应用场景上,实验箱覆盖了机器视觉、语音识别、ROS系统等多个方向,支持从数据采集到智能决策的全流程实践。通过传感器数据分类、实时目标检测等典型案例,学生能够深入理解算法

weixin_29053073的博客 345

A*算法解决传教士与野人过河问题(可运行代码)

A*算法解决传教士与野人过河问题 * 程 序 说 明 * * 功能: 用A*算法求解传教士与野人问题。M=C=5, K=3 * * 说明: * * 本程序按照《人工智能导论》一书所介绍的A*算法求解传教士与野人问题。 * * * * 注意: 该程序尽可能用与算法一致的思路实现算法, 力求简单明了, 注重算法的清晰性,* * 而没有考虑算法的效率问题。

高校人工智能实验室特色课程清单分享

高校建设人工智能实验室是为了完善人工智能课程体系,强化AIGC、大模型与智能机器人技术特色,通过人工智能实验室建设,不仅能够打造先进的集教学、竞赛及科研于一体的实验室,提升专业综合服务能力,还能加强校企协同育人,就业育人合作,为产业发展提供高素质人才支撑。

tipdm0301的博客 755

java实现野人与传教士过河问题

java实现野人与传教士过河问题,需要c或者c#(有动画演示)见主页。

面向高校的人工智能通识教育课程实验设计方案

目前,国内高校的人工智能专业课程实验设计主要聚焦于机器学习和深度学习算法的理论讲解以及综合实验项目,然而,这些实验的专业性较强,缺乏面向通识教育的优化设计,不利于学科交叉人才的培养。此外,根据不同专业的需求,我们设计了一系列实用性强、覆盖面广的实验案例,例如文学类的文本分类与生成、语言学类的机器翻译、艺术设计类的风格迁移与图像生成以及金融经济类的数据挖掘与分析等,让学生能够依据自己的专业兴趣选择合适的实验项目,提高实践技能。此外,通过收集师生的反馈意见,优化实验设计和平台管理流程,进一步提升教学质量。

whwzzc的博客 961

野人与传教士过河问题的实现

野人与传教士过河问题的实现 安装JDK、配置环境变量,打开Eclipse导入ch05项目,运行主类crossriver.CrossRiver即可启动演示程 序。

离散数学期末考试试卷(两套)-熟悉题型

3.设集合A={a,b,c,d}上有自反关系R={,,,,},对称关系S={,,,}。6.设集合A={1,2,3},B={u,v,w},C={a,b,c},f是集合A到集合B上的映射,g是集合B到集合C上的映射,f={, , },g={},则复合函数g。5. 设集合A={a,b,c,d,e},下列选项中哪一个集合不是A的划分( )。

muse3159546973的博客 6961

华清远见 · 高校人工智能实验室建设专家 | 硬件+虚拟仿真+课程+师资,产教融合AI赋能一站式解决方案

高校人工智能实验室,华清远见全力聚焦的核心建设方向。我们提供的不是单一产品或课程,而是一套可落地、可扩展、可迭代的全链条方案:硬件部署、仿真系统、课程导入、师资培训、协同育人、就业对接——一站式覆盖,全程陪跑。

华清远见IT实验室专栏 302

ubuntu22.04 安装部署 openclaw

ubuntu22.04 安装部署 openclaw

nalanxiaoxiao2011的博客 1017

深入解析Microsoft AI-System实验课程体系:从基础到进阶的AI系统实践

深入解析Microsoft AI-System实验课程体系:从基础到进阶的AI系统实践 实验课程概述 Microsoft AI-System项目提供了一套完整的AI系统实验课程体系,旨在帮助学生从系统研究的角度深入理解人工智能系统的设计与实现。这套实验课程分为基础实验和高级实验两个层次,通过实际操作主流框架、平台和工具,培养学生解决实际问题的能力,而非仅仅停留在工具使用层面。 目标受众 这套实验课...

gitblog_00856的博客 332

python中frida的安装+frida-server(雷电模拟器)保姆级安装教程

frida的安装,安卓逆向,adb

2301_80224944的博客 4590

几何修复_ANSYS流体分析:几何前处理

建模及几何处理工具非常多,选择起来让人眼花缭乱。对于仿真而言,高效的对几何进行清理及生成符合仿真要求的几何至关重要。ANSYS SpaceClaim Direct Modeler是基于直接建模思想的新一代3D高效率建模和几何编辑修补软件。SCDM提供了当今最快速、最富有创意的直接建模解决方案。由于它的直接建模能力即使对于导入的其它3D模型(如catia、proe、solid works创建的几何)...

weixin_35778830的博客 2422

中职人工智能实验室《AIGC工具应用课程》资源配置

中职人工智能实验室的建设将立足人工智能相关专业人才需求和技术热点,从教学、实践和应用多方面注重专业人才和特色人才的培养。

tipdm0301的博客 1195

星光、黑光、全彩夜视摄像头技术解析与实战选型指南

本文深入解析了星光、黑光、全彩与红外等主流夜视摄像头技术的工作原理与核心差异。针对不同监控场景与预算,提供了实战选型指南,帮助用户在安防项目中做出明智决策,实现夜间监控效果最大化。

weixin_29179311的博客 356

MTools高校课程实验:《人工智能导论》中MTools文本处理实验设计

本文介绍了如何在星图GPU平台上自动化部署MTools - 多功能文本工具箱镜像,为《人工智能导论》课程设计实践实验。该平台简化了部署流程,使学生能快速搭建一个集文本总结、关键词提取和翻译功能于一体的AI应用,直观体验大语言模型在实际场景中的文本处理能力。

weixin_35705784的博客 310

VN5620以太网测试——环境搭建篇

CANoe(CAN open environment)VN5620 :是一个紧凑而强大的接口,用于以太网网络的分析、仿真、测试和验证。VN5620 接口支持各种可能的应用。它适用于与其他总线系统、网络参与(例如在模拟和生成帧、测试中的负载和错误)的同步以太网监控。在2021年Vector公司的以太网接口卡VN5610和VN5640设备已经陆续停产,相应被VN5620和VN5650代替。

诊断协议那些事儿's blog 8945

Python爬虫抓取淘宝商品详情页信息:从入门到高级技术应用

通过本篇博客,我们了解了如何使用Python爬虫抓取淘宝商品详情页的信息,如何使用requests和Selenium抓取静态和动态内容,如何应对淘宝的反爬虫机制,如何将抓取的数据保存到CSV文件等。随着爬虫技术的不断发展,开发者可以根据需要选择合适的工具和技术,如使用分布式爬虫框架提高抓取效率,或者利用OCR技术处理验证码等问题。在进行淘宝爬虫时,需要注意遵循相关法律法规和平台的爬虫政策,避免对平台造成过度的负担或侵犯其合法权益。

2201_76125261的博客 462

人工智能课程实验·过河问题/实验一 知识表示方法

人工智能课程实验·过河问题/实验一 知识表示方法   状态空间法实验。从前有一条河,河的左岸有m(=3)个传教士、m(=3)个野人和一艘最多可乘n(=2)人的小船。约定左岸,右岸和船上

©TyxMaek 3593

电机驱动器MP6540H应用设计

/ ... 其他初始化函数(SystemClock_Config, MX_GPIO_Init, MX_TIM1_Init, MX_TIM2_Init)需要你根据STM32CubeMX生成或手动编写。// 假设霍尔传感器引脚是 GPIO_PIN_8, GPIO_PIN_9, GPIO_PIN_10。// 低侧U相GPIO引脚。

zhusl6688的博客 665

清华大学:《迈向未来的AI教学实验》AI教育作业集公开396页PPT(家长、教师必读)

迈向未来的AI教学实验》不仅是清华大学对教育变革的积极响应,更是对“培养什么样的人才”这一根本问题的探索。通过技术、人文与实践的深度融合,这一实验或将成为全球AI教育的重要里程碑,为智能时代的高等教育提供“清华方案”。关注《java架构笔记》,发送《未来》

xuxinyang100的专栏 846

jdk-8u144-linux-x64.tar.gz.

该资源为搭建Linux系统Java环境用,资源的后缀为tar.gz格式的压缩包

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

微软学习:AI 基础课程实验室指南

微软学习:AI 基础课程实验室指南 本指南旨在帮助开发者和学习者快速理解并使用从MicrosoftLearning/AI-900-AIFundamentals这个已归档的开源项目中提取的关键组件。该项目是专为微软Azure AI基础课程设计的实践实验集合。 1. 目录结构及介绍 该仓库遵循一个清晰的组织结构,便于用户寻找相关的实验资源: LICENSE: 包含MIT许可证,说明了代码的使用条款。...

gitblog_00044的博客 713

OV9734 DATASHEET,完整规格书

OV9734完整规格书,包括电气参数,尺寸规格,寄存器配置表等

和鲸科技推出人工智能通识课程解决方案,助力AI人才培养

从基础理论到跨学科应用,和鲸社区丰富的实践资源、智谱的大模型技术全方位融入,为学生打造了前沿且实用的学习路径,全面提升学生的AI素养,为各学科领域输送具备AI能力的复合型人才。在港澳期间,吴岩阐释了教育强国目标的任务,并与特区政府官员交流推进人工智能人才培养的办法。以前,学生常面临 “不学写代码就难以实践 AI” 的情况,而基于和鲸即开即用的 AI 通识课实训平台 ModelWhale,学生可以直接采用拖拉拽式模块化编程组件,不用编写复杂代码,就能理解机器学习建模流程和模型迭代过程。

ModelWhale的博客 1326
上一篇: 《人工智能》之《确定性推理》
下一篇: 《人工智能》之《确定性推理》习题解析
UestcXiye
博客等级 码龄8年 9033粉丝 1306原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

UestcXiye

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值