【23-24 秋学期】NNDL 作业7 基于CNN的XO识别

一、用自己的语言解释以下概念

  1. 局部感知、权值共享
  2. 池化(子采样、降采样、汇聚)。会带来那些好处和坏处?
  3. 全卷积网络(课上讲的这个概念不准确,同学们查资料纠正一下)
  4. 低级特征、中级特征、高级特征
  5. 多通道。N输入,M输出是如何实现的?
  6. 1×1的卷积核有什么作用

二、使用CNN进行XO识别

 1.复现参考资料中的代码

2.重新设计网络结构

  • 至少增加一个卷积层,卷积层达到三层以上
  • 去掉池化层,对比“有无池化”的效果
  • 修改“通道数”等超参数,观察变化

3.可视化

  • 选择自己的最优模型
  • 可视化部分卷积核和特征图
  • 探索低级特征、中级特征、高级特征 

REF:

【23-24 秋学期】NNDL 作业7 基于CNN的XO识别_第1张图片

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) 【该链接已失效,数据集到QQ群下载。文件名:training_data_sm.zip】

源代码:

【2021-2022 春学期】人工智能-作业6:CNN实现XO识别_x = self.conv2(x)#请问经过conv2(x)之后,x的维度是多少-CSDN博客

【精选】NNDL 作业6:基于CNN的XO识别-CSDN博客

你可能感兴趣的:(深度学习)