【23-24 秋学期】NNDL 作业7 基于CNN的XO识别

本文主要是介绍【23-24 秋学期】NNDL 作业7 基于CNN的XO识别，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

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：

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

这篇关于【23-24 秋学期】NNDL 作业7 基于CNN的XO识别的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！

---