实验三 卷积神经网络 LeNet一、实验目的卷积综述互相关运算严格地说，卷积层所表达的运算可以被更准确地描述为互相关运算 (cross-correlation)。根据 中的描述，在卷积层中，输入张量和核张量通过(互相关运算)产生输出张量。首先，我们暂时忽略通道（第三维）这一情况，看看如何处理二维图像数据和隐藏表示。输入是高度为 333 、宽度为 333 的二维张量（即形状为 3×33 \times

线性回归与 softmax线性回归线性回归概要线性回归 （linear regression）在回归的各种标准工具中最简单而且最流行。它可以追溯到19世纪初。线性回归基于几个简单的假设：首先，假设自变量 x\mathbf{x}x 和因变量 yyy 之间的关系是线性的，即yyy可以表示为 x\mathbf{x}x 中元素的加权和，这里通常允许包含观测值的一些噪声；其次，我们假设任何噪声都比较正常，如

实验二 多层感知机、欠拟合、过拟合一、实验目的多层感知机综述隐藏层首先，回想一下 softmax 回归的模型结构。该模型通过单个仿射变换将我们的输入直接映射到输出，然后进行 softmax 操作。如果我们的标签通过仿射变换后确实与我们的输入数据相关，那么这种方法就足够了。但是，仿射变换中的线性是一个很强的假设。线性模型可能会出错线性意味着单调假设：特征的任何增大都会导致模型输出增大（如果对应的权重

实验三 卷积神经网络 LeNet一、实验目的卷积综述互相关运算严格地说，卷积层所表达的运算可以被更准确地描述为互相关运算 (cross-correlation)。根据 中的描述，在卷积层中，输入张量和核张量通过(互相关运算)产生输出张量。首先，我们暂时忽略通道（第三维）这一情况，看看如何处理二维图像数据和隐藏表示。输入是高度为 333 、宽度为 333 的二维张量（即形状为 3×33 \times

目录文章目录目录第一章 计算机网络概述第一节 概念、组成和分类计算机网络：互联的、自治的计算机集合计算机网络的功能：计算机网络的组成计算机网络的工作方式计算机网络的功能组成：资源子网通信子网计算机网络的分类按分布范围按交换技术按拓扑结构按传输技术第二节 标准化工作及其组织第三节 性能指标：速率、带宽、吞吐量速率单位换算带宽吞吐量第四节 性能指标时延发送时延传播时延时延带宽积往返时延RTT信道利用率

实验三 聚类算法一、实验目的加深对非监督学习的理解和认识。掌握基于距离的和基于密度的动态聚类算法的设计方法。二、实验原理非监督学习的理论基础。动态聚类分析的思想和理论依据。聚类算法的评价指标。本次实验采用两种均值聚类算法实现聚类K-Means：即“K均值聚类算法”，具体实现步骤如下随机的从样本中选择 K 个点作为初始质心。计算每个样本到各个质心的距离，将样本划分到距离最近的质心所对应的簇中。样本之

实验三 卷积神经网络 LeNet一、实验目的卷积综述互相关运算严格地说，卷积层所表达的运算可以被更准确地描述为互相关运算 (cross-correlation)。根据 中的描述，在卷积层中，输入张量和核张量通过(互相关运算)产生输出张量。首先，我们暂时忽略通道（第三维）这一情况，看看如何处理二维图像数据和隐藏表示。输入是高度为 333 、宽度为 333 的二维张量（即形状为 3×33 \times

实验一 逻辑回归一、实验目的加深对逻辑回归算法的理解和认识。掌握基于逻辑回归的二分类算法和基于 softmax 的多分类算法的设计方法。二、实验原理先拟合决策边界(不局限于线性，还可以是多项式)，再建立这个边界与分类的概率联系，从而得到了二分类情况下的概率。极大似然估计求解的思想和理论依据。逻辑回归的评价指标。三、聚类步骤读入要分类的数据(数据集：iris_data)，并做一些数据格式的预处理，划

实验二一、实验目的理解和掌握PCA原理利用PCA降维，辅助完成一项实战内容。二、实验原理对于矩阵A，有一组特征向量v，将这组向量进行正交化单位化，就能得到一组正交单位向量。特征值分解的工作就是就是将矩阵A分解为如下所示三个矩阵的乘积：Λ=Q−1AQ=QTAQ{\bf \Lambda} = \textbf Q^{-1}\textbf A \textbf Q = \textbf Q^{T}\textb

实验二 多层感知机、欠拟合、过拟合一、实验目的多层感知机综述隐藏层首先，回想一下 softmax 回归的模型结构。该模型通过单个仿射变换将我们的输入直接映射到输出，然后进行 softmax 操作。如果我们的标签通过仿射变换后确实与我们的输入数据相关，那么这种方法就足够了。但是，仿射变换中的线性是一个很强的假设。线性模型可能会出错线性意味着单调假设：特征的任何增大都会导致模型输出增大（如果对应的权重