斯坦福CS231n_作业内容

CS231n

作业1 图像识别：从KNN,线性分类器(linearSVM/Softmax)到神经网络

• 完成K最近邻文件 knn.ipynb 中的部分代码，以了解整个图像识别的训练/测试阶段 (20分)
• 在svm.ipynb中完成SVM分类器对图像分类 (25分)
• 在softmax.ipynb中完成softmax分类器对图像分类 (20分)
• 在two_layer_net.ipynb中完成一个小的2层神经网络进行分类 (25分)
• 在features.ipynb中完成对图像高级特征的抽取，以获得相对原始像素更好的分类器识别效果 (10分)
• 附加项：在这个图像识别的任务中，你有没有感兴趣的其他细节，或者其他发现？(额外10分)

作业2 神经网络：人工神经网络，Batch Normalization，Dropout 与 卷积神经网络

• 在FullyConnectedNets.ipynb中使用我们设计好的部分层次结构完成一个全连接神经网络，并实现各种流行的参数更新方法 (30分)
• 在BatchNormalization.ipynb中完成Batch Normalization以辅助全连接神经网络训练的稳定性 (30分)
• 在Dropout.ipynb中完成随机失活(Dropout)以保证模型的泛化能力 (10分)
• 在ConvolutionalNetworks.ipynb中完成卷积神经网络各种层级结构，并在CIFAR-10数据集上训练。(30分)
• 尝试各种方法去提高卷积神经网络的识别效果，你可以修改优化迭代方法，增加新的层次，进行模型叠加融合，使用新的正则化手段等等。(额外10分)

作业3 循环神经网络，“看图说话”，“图像梯度”与Deep Dream

• 参考并完善RNN_Captioning.ipynb，它将指导你完成一个MS-COCO数据集上的简易循环神经网络“看图说话” (40分)
• 参考并完善LSTM_Captioning.ipynb，它将指导你完成在长短时记忆网络下的“看图说话”系统 (35分)
• 在ImageGradients.ipynb中你将认识TinyImageNet这个数据集，你要使用预训练好的模型在这个数据集上计算图像梯度，然后用它们去产出“显著图”（saliency map）并“愚弄”神经网络 (10分)
• 在ImageGeneration.ipynb中使用预训练好的TinyImageNet模型产出图片，完成一个简易的DeepDream (10分)
• 你可以做一些更酷，产出更有趣的图像，或者做一些类似的事情 (额外10分)