Notebook

人工智能

遗忘门(forget gate)输出门(output gate)输入门(input gate)长短期记忆网络 LSTM。LSTM如何克服梯度消失。

卷积神经网络（CNN）与循环神经网络（RNN）的的不同。循环神经网络（RNN）为什么能解决前馈网络中的问题。沿时间反向传播算法（BPTT）序列到序列模型 seq2seq。

CIFAR3. VGG Net5. ResNet。

2.CNN实现XO识别（选做。有能力的同学，建议做一下。1. 编程实现例题（必做）

名词解释：

三、编程实现：现灰度图的边缘检测、锐化、模糊。二、探究不同卷积核的作用，研究背后的原理。、多通道、特征图、特征选择概念。

5.使用PyTorch的Backward（）编程实现例题。4.使用Numpy编程实现例题。

深度学习

特征人脸方法（Eigenface）K-means是最简单的EM算法？期望最大化算法（EM）奇异值分解（SVD）

分类是判别式方法，聚类是生成式方法？KNN，K-means分别是什么方法？查找相关资料，用自己的语言，解释概念或回答相关问题。监督学习是判别式方法，无监督学习是生成式方法？生成式模型和判别式模型各有什么优缺点？

机器学习

查找相关资料，用自己的语言，解释以下概念。监督学习、 无监督学习。训练集、测试集、验证集。

代码下载深度学习入门：基于Python的理论与实现 (ituring.com.cn)作者斋藤康毅没用深度学习框架，直接使用Python写的CNN实现MNIST手写数字识别。有益于深入理解CNN，计算机专业学生了解一下细节还是很有必要的。源代码训练了20轮，建议改为5轮，节约时间~模型代码class SimpleConvNet: """简单的ConvNet conv - relu - pool - affine - relu - affine - so..

目录建立模型 lenet5训练模型测试模型下面文章写得很好，代码也写得很清晰。PyTorch实现经典网络之LeNet5 - 简书 (jianshu.com)数据集：MNIST in CSV | Kaggle可能是环境不一样，修改了两处代码：1. train 41行：loss_list.append(loss.item())2. test 32行：plt.plot(testList, accuracy_list, "r-", label="Test")源..

卷积神经网路 Convolutional Neural Networks · 資料科學・機器・人 (mcknote.com)数据集Convolutional Neural Networks with Matlab, Caffe and TensorFlow — Optophysiology (uni-freiburg.de)构建模型class Net(nn.Module): def __init__(self): super(Net, self).__in...

目录实现【卷积-池化-激活】代码，并分析总结1. For循环版本：手工实现 卷积-池化-激活2. Pytorch版本：调用函数完成 卷积-池化-激活3. 可视化：了解数字与图像之间的关系运行效果如下：原图卷积核特征图参考资料实现【卷积-池化-激活】代码，并分析总结1. For循环版本：手工实现 卷积-池化-激活import numpy as npx = np.array([[-1, -1, -1, -1, -1, -1, ...

一、简单描述卷积、卷积核、多通道、特征图、特征选择概念。二、探究不同卷积核的作用，研究背后的原理。三、编程实现：经典卷积核，实现灰度图的边缘检测、锐化、模糊。 调整经典卷积核参数，测试并总结。 使用不同尺寸图片，测试并总结。 探索更多类型卷积核。 尝试彩色图片边缘检测。【总结】本次课程的收获，编程实践的心得体会。例程：import numpy as npimport torchfrom torch import nnfrom torch.autograd import

PyTorch Basics: Understanding Autograd and Computation Graphs (paperspace.com)import torchw1 = torch.randn(1, requires_grad=True)w2 = torch.randn(1, requires_grad=True)w3 = torch.randn(1, requires_grad=True)w4 = torch.randn(1, requires_grad=True)

题目要求同作业2：【2021-2022 春学期】人工智能-作业2：例题程序复现_HBU_David的博客-优快云博客作业2：手推计算完成反向传播过程，进而用代码实现。作业3：使用深度学习框架pytorch，直接调用 backward（）函数完成反向传播。参考代码：# https://blog.youkuaiyun.com/qq_41033011/article/details/109325070# https://github.com/Darwlr/Deep_learning/blob/mas

课上例题听一遍，理解很难到位。考虑到部分同学需要写代码的动力，把程序复现布置为作业，由“自愿学习”改为“强制学习”。这部分内容的确是很重要，请大家克服一下其它困难，摆正心态对待。多年后，你会感谢那个“大三时非常努力的自己”。今天写下的博客，也许就是明天你面试的敲门砖，艺不压身。如果上课没听懂，可以看慕课：人工智能：模型与算法_浙江大学_中国大学MOOC(慕课)输入值：x1, x2 = 0.5，0.3输出值：y1, y2 =0.23， -0.07激活函数：sigmoid

1 安装pycharm，配置好python开发环境PyCharm 安装教程（Windows） | 菜鸟教程 (runoob.com)2 安装pytorchPyTorch3 使用pytorch实现反向传播参考资料：06 Pytorch实现反向传播_蓝子娃娃的博客-优快云博客_pytorch反向传播PyTorch Autograd自动求导_w3cschool作业完成后，同学们在优快云发博客。...

希望同学们能学会公式编辑技能，博文写得更专业。~ 下面做个例子。