图像分类（Image Classification）计算机视觉中的一个基础任务，将图像的语义将不同图像划分到不同类别。很多任务可以转换为图像分类任务。比如人脸检测就是判断一个区域内是否有人脸，可以看作一个二分类的图像分类任务。数据集：CIFAR-10数据集，网络：ResNet18模型，损失函数：交叉熵损失，优化器：Adam优化器，Adam优化器的介绍参考NNDL第7.2.4.3节。评价指标：准确率

受生物学上感受野机制的启发而提出。一般是由卷积层、汇聚层和全连接层交叉堆叠而成的前馈神经网络有三个结构上的特性：局部连接、权重共享、汇聚。具有一定程度上的平移、缩放和旋转不变性。和前馈神经网络相比，卷积神经网络的参数更少。主要应用在图像和视频分析的任务上，其准确率一般也远远超出了其他的神经网络模型。近年来卷积神经网络也广泛地应用到自然语言处理、推荐系统等领域。这里只涉及通常意义上的图像卷积。在本书

手写体数字识别是计算机视觉中最常用的图像分类任务，让计算机识别出给定图片中的手写体数字（0-9共10个数字）。由于手写体风格差异很大，因此手写体数字识别是具有一定难度的任务。我们采用常用的手写数字识别数据集：MNIST数据集。MNIST数据集是计算机视觉领域的经典入门数据集，包含了60,000个训练样本和10,000个测试样本。这些数字已经过尺寸标准化并位于图像中心，图像是固定大小(28×28像素

环境为python3.8，如果系统支持gpu加速的话，可以把数据上传到gpu加速，我这里没用gpu，直接在cpu上训练。gpu加速详细操作不做赘述。数据库用的经典的MINIST库，包含60000张训练图片和10000张测试图片。上代码：（含注释）# coding:utf-8import torchimport torchvisionimport torchvision.transforms as

受生物学上感受野机制的启发而提出。一般是由卷积层、汇聚层和全连接层交叉堆叠而成的前馈神经网络有三个结构上的特性：局部连接、权重共享、汇聚。具有一定程度上的平移、缩放和旋转不变性。和前馈神经网络相比，卷积神经网络的参数更少。主要应用在图像和视频分析的任务上，其准确率一般也远远超出了其他的神经网络模型。近年来卷积神经网络也广泛地应用到自然语言处理、推荐系统等领域。这里只涉及通常意义上的图像卷积。在本书

机器学习方法流程包括数据集构建、模型构建、损失函数定义、优化器、模型训练、模型评价、模型预测等环节。为了更方便地将上述环节规范化，我们将机器学习模型的基本要素封装成一个Runner类。除上述提到的要素外，再加上模型保存、模型加载等功能。Runner类的成员函数定义如下：__init__函数：实例化Runner类，需要传入模型、损失函数、优化器和评价指标等；train函数：模型训练，指定模型训练需要

====输入值：x1, x2；真实输出值：y1, y2=====损失函数（均方误差）： 0.010019990615546703。损失函数（均方误差）： 0.006001585628837347。损失函数（均方误差）： 0.005511465482413769。损失函数（均方误差）： 0.005217039026319981。=====输入值：x1, x2；真实输出值：y==========更新前

令Zk​=Uhk−1​+Wxk​+b为在第k时刻函数g(·)的输入，在计算公式δt,k​=∂zk​∂Lt​​中的误差项zk​=Uhk−1​+Wxk​+b时，梯度可能会过大，从而导致梯度爆炸问题.解决方式：1.更换激活函数，比如可以选择 ReLU 函数。

画出数据集中150个数据的前两个特征的散点分布图：【统计学习方法】感知机对鸢尾花(iris)数据集进行二分类继续使用第三章中的鸢尾花分类任务，将Softmax分类器替换为前馈神经网络。损失函数：交叉熵损失；优化器：随机梯度下降法；评价指标：准确率。若无特别说明，实验默认所用第三方库：4.5.1 小批量梯度下降法为了减少每次迭代的计算复杂度，我们可以在每次迭代时只采集一小部分样本，计算在这组样本上损