练习1
用SGD、批量和小批量算法,训练网络,给出最终权系数和四个样本的网络输出值【其中,SGD训练1000轮,批量训练4000轮,小批量(2个样本一组)训练2000轮】。
练习2
结合课堂练习,比较SGD、批量和小批量三种算法学习速度。说明:每种算法学习1000轮,画出“轮-误差”曲线,其中误差=4个实际输出与期望输出之差的平方和。
练习3
用SGD对数据2训练4000轮,给出最终权系数和四个样本的网络输出,验证训练结果是否有效?
练习4
作业4:训练浅层NN解决XOR问题。
练习5
作业5:尝试改变隐层节点个数(3、5、2? ) ,观察能否解决XOR问题?如何避免不收敛?
练习6
用动量算法训练浅层NN求解XOR问题
练习7
练习7:分别用交叉嫡和误差平方和代价函数训练同一神经网络求解XOR问题,比较误差-轮曲线。
练习8
随堂练习
练习9
设计和训练神经网络识别以下五个数字
练习10
用训练数据训练网络,用测试数据测试训练结果(注:运行多次观察结果是否变化,思考原因)
练习11
尝试构造其它测试数据测试网络
练习12
补全上述代码,观察训练结果是否有效。
练习13
重复运行多次主函数,观察训练结果是否有差异?思考其中原因和改善方法。
练习14
比较两种结构的优劣,结合本例比较两者的训练结果,并对结果进行分析。(提示:ReLU真的好吗?)
练习15
补全Dropout相关代码,得到训练结果。
练习16
Dropout+ReLU如何实现?
练习17
已知兴趣点(POI)历史轨迹,训练RNN预测其下一时刻三维坐标 RNN网络如何设计? 更新策略? 练习17∶完成POI预测RNN网络的训练
模型训练效果一般
练习18
使用CNN完成MNIST数据集训练