资阳自贡网站建设平台烟台建站程序

资阳自贡网站建设平台,烟台建站程序,网站广告设计,广西住建局官方网站◎ 说明#xff1a; 作业可以使用你所熟悉的编程语言和平台#xff0c;比如 C#xff0c;C、MATLAB、Python等。作业链接。 01 深度网络一、作业内容 1、作业要求 练习搭建深度学习网络基本网络#xff08;CNN#xff09;实现数据分类与参数回归#xff1b;掌握深度学习…◎ 说明作业可以使用你所熟悉的编程语言和平台比如 CC、MATLAB、Python等。作业链接。01深度网络一、作业内容1、作业要求练习搭建深度学习网络基本网络CNN实现数据分类与参数回归掌握深度学习训练中基本方法训练集、测试机、验证集合的划分训练过程中的超参调试学习速率、样本批次数量、归一化处理对于样本增强、正则参数调整、Dropout选取等熟悉几大类深度网络特性以及应用任意选择后面给出的六种数据集合中的两个数据集合按照数据集合要求完成数据分类或者参数回归。2、实验平台搭建深度神经网络完成作业可以选择自己熟悉的实验环境完成包括但不限于百度的 AI Studio 2021 ANN课程发布算力卡MATLABKeras, Pytorch华为阿里Google AI云平台等1AI Studio请大家根据网络学堂公布的AI Studio 邀请码进入课堂可以使用到百度提供的算力卡以及获得作业中的AI Studio工程数据集合。▲ 图1.2.1 AI Studio 学习界面大家进入AI Studio之后可以根据其中相关文档自行联系搭建基本深度学习网络来完成作业要求。2MATLAB对于没有PYTHON基础的同学可以使用MATLAB 2019b完成作业。在学校内可以免费安装2019b之后版本的MATLAB软件详细的安装说明可以参见MTALAB深度学习2019中的相关介绍。▲ 图1.2.3 MATLAB 中深度学习网络设计界面▲ 图1.2.4 在MATLAB中搭建深度学习网络3Python具有python基础的同学可以参考《Python核心编程第二版》TensorFlow、Pytorch和Keras三个深度学习框架。对应的文档连接分别为https://www.tensorflow.org/api_docs/https://pytorch.org/docs/stable/index.htmlhttps://keras.io/▲ 图1.2.5 TENSORFLOW开发深度学习网络▲ 图1.2.6 pyTorch开发深度学习网络▲ 图1.2.7 Keras 开发深度学习网络3、数据库以及下载作业中所需要的数据库可以在课程文件中下载第五次作业数据文件。也可以在AI Studio中找到对应的作业文件。实验数据总共有六组实验数据水果与动物数据图片目录压缩文件MNIST数据MATLAB数据格式CIFAR10数据集合MATLAB数据格式转动数字数据集合MATLAB数据格式危险品数据基集合MATLAB数据格式AI Studio工程数据集合AI Studio中数据文件前五种数据集合可以在网络学堂的“课程文件”中下载其中MNISTCIFAR10,转动数字危险品数据是MATLAB数据格式。如果使用其它深度学习平台可以从MATLAB读取并转存成所需要的格式。下面是网络学堂中课程文件下载的第五次作业数据集合解压缩之后的文件目录其中包括有五个数据集合。├─CIFAR-10├─FORBIDDEN ├─FruitAnimal ├─MNIST └─ROTATEDIGIT二、数据库1、水果与动物1数据集合简介请设计一个CNN完成对于给定水果五类和动物五类总共十类物体的识别。数据库还是第一次作业中请大家设计BP网络识别所使用的动物水果数据集合。只是在第一次作业中要求仅仅是将Apriltag数字动物水果这四种物品分出所属的大类。但本次作业中只使用其中的动物、水果两大类供十小类的物体要求识别它们的小类别。▲ 图2.1.1 水果与动物数据库的样本数据库图片可以由网络学堂数据文件下载。也可以在AI Studio的公开数据集合中下载五种水果与五种动物数据集合: https://aistudio.baidu.com/aistudio/datasetdetail/120001▲ 图2.1.2 AI Studio 数据集合下载文件之后加压缩会得到两个目录水果、动物。它们各自包括五个子目录其中分别存放着大约100张左右的水果、动物图片用于训练和测试。├─FruitAnimal │ ├─动物 │ │ └─动物 │ │ ├─牛 │ │ ├─狗 │ │ ├─猪 │ │ ├─猫 │ │ └─马 │ └─水果 │ └─水果 │ ├─榴莲 │ ├─橙子 │ ├─苹果 │ ├─葡萄 │ └─香蕉2数据处理预处理在训练网络之前大家可以对数据库进行预处理和增强Ⅱ.图片预处理尺寸归一化数据库中的图片尺寸已经归一在283×283可以自行选择是否做进一步的调整图片尺寸Ⅲ.数据库增强为了提高训练之后的网络泛化能力可以选择适当的图片处理方法对于训练数据集合进行增强图片旋转图片亮度调整图片色度调整图片尺度变化图片增噪声3作业要求1. 构建深度学习网络对于水果动物数据集合完成小类别识别任务2. 讨论在不同的网络结构参数数量对于网络识别精度的影响3. 讨论与对比网络训练超参、数据库增强对于网络识别精度的影响4. 寻找一个兼顾网络模型大小与识别性能的网络即模型参数少识别性能下降不多的网络。4参考答案对于第一题的参考答案可以参见如下两篇博文2021年人工神经网络第四次作业-第一题LeNet对于水果与动物进行分类对于FAMNIST中的十种动物和水果进行识别测试2、MNIST1数据库简介MNIST数据集合是手写体数字识别图片图片是尺寸为28×28的灰度图片。▲ 图3.1.1 mnist手写出谁出图片MNIST数据库官方下载THE MNIST DATABASE of handwritten digits。在网络学堂中给出了MATLAB格式的MNIST数据库。使用MATLAB命令load(‘mnist.mat’)可以将附件数据库MNIST下的数据文件调入MATLAB。其中包含有四个变量(1)test_images: 10000×784 int32测试集合10000张手写体数字图片图片大小为28×28灰度图片取值范围(0255).(2)test_labels: 1×10000 int32测试集合数字图片的标签取值09(3)train_images: 60000×784 int32训练集合60000张数字手写体图片格式与测试集合相同。(4)train_labels: 1×60000 int32训练集合数字图片的标签取值09该数据集合在各大深度学习框架内基本上都有相应的连接可以直接下载大家也可以直接使用。2作业要求① 构造两类深度学习网络对MNIST数据集合完成数字分类任务。一类是由全连接层构成的深度学习网络另一类是带有卷积层的神经网络。② 讨论两类神经网络在不同的网络参数下的训练收敛情况、测试精度的变化情况。③ 探索寻找到一个能够兼顾网络模型大小与识别性能相对优化的网络模型即模型参数少识别性能下架不多。3参考答案如果在PaddlePaddle中完成作业可以看一下实验指导2021年人工神经网络第四次作业 - 第二题MNIST手写体识别3、CIFAR-101数据库简介对CIFAR-10 数据集的分类是机器学习中一个公开的基准测试问题其任务是对一组大小为32x32的RGB图像进行分类这些图像涵盖了10个类别飞机 汽车 鸟 猫 鹿狗 青蛙 马 船以及卡车。▲ 图4.1.1 CIFAR-10数据库CIFAR-10数据集合可以从如下网站下载 http://www.cs.toronto.edu/~kriz/cifar.html在CIFAR-10数据目录中包括有以下六个数据文件(1) data_batch_1.mat(2) data_batch_2.mat(3) data_batch_3.mat(4) data_batch_4.mat(5) data_batch_5.mat(6) test_batch.mat(7) batches.meta.mat:label_names,各类别的名称以上数据集合在调入MATLAB之后都会包括有data:10000×3072 uint8:图片信息labels:10000×1 uint8在MATLAB中可以使用如下命令显示图片的内容imshow(permute(reshape(data(1,:),[32,32,3]),[2,1,3]))数据命令中这里的参数’1’是对应第一个图片可以将其修改成其它110000之间的数字来显示其它的图片。想了解更多信息请参考CIFAR-10 page以及Alex Krizhevsky写的技术报告2作业要求① 建立一个用于识别图像的相对较小的卷积神经网络完成CIFAR-10数据集合的识别问题。建立一个规范的网络结构训练并进行评估为建立更大规模更加复杂的模型提供一个范例选择CIFAR-10是因为它的复杂程度足以用来检验TensorFlow中的大部分功能并可将其扩展为更大的模型。与此同时由于模型较小所以训练速度很快比较适合用来测试新的想法检验新的技术。② 大家可以参见网络上的“CIFAR-10 教程”来讨论卷积神经网络中如下各部分参数对于卷积神经网络训练的影响“相关核心数学对象如卷积、修正线性激活、最大池化以及局部响应归一化训练过程中一些网络行为的可视化这些行为包括输入图像、损失情况、网络行为的分布情况以及梯度算法学习参数的移动平均值的计算函数以及在评估阶段使用这些平均值提高预测性能实现了一种机制使得学习率随着时间的推移而递减如果有条件可以讨论网络在多个GPU上并行训练多个GPU之间实现参数共享和更新变量值。③ 讨论数据增强对于网络性能的改善。讨论DROP-OUT机制对于网络训练和泛华能力的影响。3参考答案如果在PaddlePaddle中完成作业可以参考2021年人工神经网络第四次作业 - 第三题Cifar10在Paddle中利用AlexNet测试CIFAR10数据集合4、旋转数字1数据库简介ROTATEDIGIT数据集合是采集到机械电能表显示的数字。这类数字中包含有数字滚轮在不同角度下数字的图片。这些数字不同角度除了对应了数字本身还代表了整数之间的小数分量。▲ 图5.1.1 机械电表上的旋转数字在ROTATEDIGIT目录下包括有如下六个数据文件▲ 图5.1.2 六个数据文件将数据库使用MATLAB命令LOAD调入之后会产生以下数据变量1. digitsize: 表示数字图像的尺寸2. digit:1000×2128×3数字图片。前面是数字图片的个数中间是宽×高后面是RGB三维。3. labels:数字标签094. fraction:表示数字整数之后的小数。即反映了数字旋转的程度。fraction部分有的数据集合存在有的不存在。2作业要求① 选择合适的神经网络完成对数据集合的字符识别。② 讨论使用某一类数字集合训练之后的网络在另外数字集合上的泛化性能。③ 讨论网络正则化的方法对于网络泛化能力的影响1. 对于网络权系数范数约束2. 对输入样本增加噪声3. 对输入样板进行变形增强4. 使用Drop-out技术训练网络④ 对于有Fraction标签的数据集合构造一个具有输出带有小数点数字输出的回归网络。并讨论它与前面分类网络在网络结构训练方法等方面的特点。3参考答案实验指导可以参见2021年人工神经网络第四次作业-第四题旋转的数字。▲ 图5.2.1 第四次作业时间指导5、危险品识别1数据库简介FORBIDDEN数据集合是拍摄的一些物品的X-射线图片。同一个物品拍摄有不同的角度▲ 图6.1.1 危险品数据库在目录FORBIDDEN中存在三个数据文件1. XRAYDATA-96-80.MAT: 尺寸为96×80灰度图像2. XRAYDATA-120-100.MAT:尺寸为120×100灰度图像3. XRAYDATA-240-200.MAT:尺寸为240×200灰度图像三个文件的内容都是一样的只是图片的尺寸有区别。数据文件使用MATLAB命令load调入内存后会产生三个变量images: 7401×48000 uint8: 物品图片labels: 物品种类标签labeldir:物品拍摄方位同一个物品在拍摄的过程中大都存在三个不同的方位每个方位具有18个左右不同角度。在图片集合中同一物品在同一方位下不同的角度拍摄的图片在数据集合中是顺序排列的。可以根据这个信息获得图频拍设的角度。在数据集合中标号小于400的样本为单个物品的数据标号大于等于400的样本为多个物品重叠后的样品。大家实验中可以只使用标号小于400的样品。2作业要求① 构造合适的神经网络对于数据库中物品X射线图片进行识别分类。可以根据物品不同的大小在训练网络之前对于图片进行预处理。② 讨论实验结果中造成识别错误的因素包括哪些。③ 探讨如何利用图频的序列信息完成物品的识别的方法。根据自己的时间和经验选做是否可以通过LSTM网络来利用图频的不同角度序列信息提高识别的精度。④ 可以根据自己的时间和经验选做一些目标定位的神经网络比如YOLO3,SSD等来进行实验。3参考答案作业实验指导说明可以参见2021年人工神经网络第四次作业-第五题危险品识别。▲ 图6.2.1 第五次作业中用于识别的数据库4AI Studio数据库5数据库简介在AI Studio中存在很多的公开数据集合。可以自行选择其中的数据集合用于识别、检测和参数回归。▲ 图7.1.1 AI Studio中的公开数据集合下面给出几种典型的数据集合Ⅱ.交通标志下载地址https://aistudio.baidu.com/aistudio/datasetdetail/49552该数据集合给出了5018个从驾驶员视角的路面交通标志。标识的种类有图片的名称给出。▲ 图7.1.2 驾驶员视角对应的道路上的交通标示Ⅲ.目标检测目标检测数据集合集: https://aistudio.baidu.com/aistudio/datasetdetail/103743该集合中给出了五类目标检测的集合在数据集合中分别包含了检测的图片以及对应的XML格式的标示结果。├─barricade │ ├─Annotations │ └─JPEGImages ├─facemask │ ├─Annotations │ └─JPEGImages ├─fire │ ├─Annotations │ └─JPEGImages ├─MidAutumn │ ├─Annotations │ └─JPEGImages └─roadsign_voc ├─Annotations └─JPEGImages▲ 图7.1.3 人脸检测▲ 图7.1.4 着火现场火源检测Ⅳ.水果数据集合5种水果数据集: https://aistudio.baidu.com/aistudio/datasetdetail/12236解压缩之后的水果所在的目录├─cantaloupe ├─carrot ├─cherry ├─cucumber └─watermelon▲ 图7.1.5 蔬菜数据集合Ⅴ.车道监测无人车车道检测数据集合: https://aistudio.baidu.com/aistudio/datasetdetail/3625▲ 图7.1.6 车道线检测数据集合Ⅵ.交通灯红绿灯及交通标志: https://aistudio.baidu.com/aistudio/datasetdetail/117209该数据集合中包含有红绿灯以及交通标志的检测图片和标注。▲ 图7.1.7 交通灯目标检测Ⅶ.作业要求参照前面五个数据集合的要求设计深度神经网络完成数据集合中分类和定位要求。■ 相关文献链接:2023年秋季学期人工神经网络第五次作业MATLAB深度学习 2019《Python核心编程第二版》TensorFlow、Pytorch和Keras三个深度学习框架五种水果与五种动物数据集合2021年人工神经网络第四次作业-第一题LeNet对于水果与动物进行分类对于FAMNIST中的十种动物和水果进行识别测试-CSDN博客THE MNIST DATABASE of handwritten digits2021年人工神经网络第四次作业 - 第二题MNIST手写体识别2021年人工神经网络第四次作业 - 第三题Cifar10在Paddle中利用AlexNet测试CIFAR10数据集合2021年人工神经网络第四次作业-第四题旋转的数字2021年人工神经网络第四次作业-第五题危险品识别目标检测数据集合集5种水果数据集无人车车道检测数据集合红绿灯及交通标志● 相关图表链接:图1.2.1 AI Studio 学习界面图1.2.3 MATLAB 中深度学习网络设计界面图1.2.4 在MATLAB中搭建深度学习网络图1.2.5 TENSORFLOW开发深度学习网络图1.2.6 pyTorch开发深度学习网络图1.2.7 Keras 开发深度学习网络图2.1.1 水果与动物数据库的样本图2.1.2 AI Studio 数据集合图3.1.1 mnist手写出谁出图片图4.1.1 CIFAR-10数据库图5.1.1 机械电表上的旋转数字图5.1.2 六个数据文件图5.2.1 第四次作业时间指导图6.1.1 危险品数据库图6.2.1 第五次作业中用于识别的数据库图7.1.1 AI Studio中的公开数据集合图7.1.2 驾驶员视角对应的道路上的交通标示图7.1.3 人脸检测图7.1.4 着火现场火源检测图7.1.5 蔬菜数据集合图7.1.6 车道线检测数据集合图7.1.7 交通灯目标检测