@BruceWang
2018-11-20T19:29:16.000000Z
字数 2061
阅读 2653
神经网络
这个是2017年斯坦福大学新补上的,哈哈,好爽!
官网链接 只看 2017 Spring个人GitHub
Image Classification,kNN, SVM, Softmax, Neural Network
Q1:k-最近邻分类器(20分)
IPython笔记本knn.ipynb将引导您完成kNN分类器。Q2:培训一个支持向量机(25分)
IPython Notebook svm.ipynb将引导您实现SVM分类器。Q3:实施Softmax分类器(20分)
IPython Notebook softmax.ipynb将引导您实施Softmax分类器。Q4:双层神经网络(25分)
IPython Notebook two_layer_net.ipynb将引导您完成双层神经网络分类器的实现。Q5:高级表示:图像特征(10分)
IPython Notebook features.ipynb将引导您完成这个练习,在这个练习中,您将检查使用更高级别表示而不是使用原始像素值所获得的改进。Q6:酷炫的奖励:做一些额外的!(+10分)
实施,调查或分析本作业中的主题,并使用您开发的代码。例如,我们可以问一些其他有趣的问题吗?有什么有洞察力的可视化,你可以技巧?或者,也许你可以尝试一个旋转的损失函数?如果你尝试了一些很酷的东西,我们会给你10个额外的分数,并可能在演讲中显示你的结果。
Fully-Connected Nets, Batch Normalization, Dropout, Convolutional Nets
Q1:Fully-Connected Nets(20分)
IPython笔记本FullyConnectedNets.ipynb将向您介绍我们的模块化层设计,然后使用这些层来实现任意深度的完全连接网络。为了优化这些模型,你将实现几个流行的更新规则。Q2:Batch Normalization(30分)
在IPython笔记本中,BatchNormalization.ipynb您将实现批量标准化,并使用它来训练深度完全连接的网络。Q3:Dropout(10分)
IPython笔记本Dropout.ipynb将帮助您实现Dropout并探索其对模型泛化的影响。Q4:Convolutional Nets(30分)
在IPython Notebook中,ConvolutionalNetworks.ipynb您将实现几个常用于卷积网络的新层。Q5:CIFAR-10上的PyTorch / TensorFlow(10分)
对于最后一部分,您将使用TensorFlow或PyTorch两种流行和强大的深度学习框架。你只需要完成这两个笔记本中的一个。您不需要同时做这两件事,我们也不会授予那些参与者的额外功劳。
打开PyTorch.ipynb或者TensorFlow.ipynb,您将了解该框架的工作原理,最终在CIFAR-10上培训自己设计的卷积网络,以获得最佳性能。
注:PyTorch笔记本需要PyTorch版本0.4,该版本于4/24/2018发布。您可以按照以下说明使用conda或pip安装此版本的PyTorch:http://pytorch.org/
Image Captioning with Vanilla RNNs, Image Captioning with LSTMs, Network Visualization, Style Transfer, Generative Adversarial Networks