第一节Java语言课从老师那里拷来的国外大学07年Java作业，虽然是07年的，但感觉真心水平很高 而且很有益于培养初学者的兴趣，这点不得不佩服外国人，文档、代码注释虽然都是英文 但都是很基础的英文，只要愿意认真思考并且有C语言基础，相信大多数人都可以做出来的，下面言归正传： 为了做这份作业，早上七起床，八点左右开始做，到中午十一点多做到第七题，之后便困在第七题那里4个多小时，晚上终于算是勉

stanford cs231 编程作业(assignment1，Q3: softmax classifier         softmax classifier和svm classifier的assignment绝大多部分都是重复的，这里只捡几个重点。 1，softmax_loss_naive函数，尤其是dW部分 1，1 正向传递 第i张图的在所有分类下的得分

stanford cs231 编程作业之SVM分类器 写在最前面：         深度学习，或者是广义上的任何学习，都是“行千里路”胜过“读万卷书”的学识。这两天光是学了斯坦福cs231n的一些基础理论，越往后学越觉得没什么。但听的云里雾里的地方也越来越多。昨天无意中在这门课的官网上无意中看到了对应的assignments。里面的问题和code都设计的极好！自己在做作业的时候，也才

Assignment1–KNN 作业要求见这里. 主要需要完成 KNN，SVM，Softmax分类器，还有一个两层的神经网络分类器的实现。 数据集CIFAR-10. KNN原理 K近邻算法(KNN)算法是一种简单但也很常用的分类算法，它也可以应用于回归计算。KNN是无参数学习,这意味着它不会对底层数据的分布做出任何假设。它是基于实例，即该算法没有显式地学习模型。相反，它选择的是记忆训练实例，

斯坦福CS231n assignment1：SVM图像分类原理及实现 SVM模型原理SVM的一种直观解释损失函数损失函数加入正则化项梯度下降和梯度检验图像预处理小批量数据梯度下降（Mini-batch gradient descent）代码实现 本文Github代码 斯坦福CS231n课程讲解了实现图像分类的方法，从传统的KNN，SVM，到CNN，LSTM模型，讲解的非常专业精

斯坦福CS231n assignment1：softmax损失函数求导 在前文斯坦福CS231n assignment1：SVM图像分类原理及实现中我们讲解了利用SVM模型进行图像分类的方法，本文我们讲解图像分类的另一种实现，利用softmax进行图像分类。 softmax和svm模型网络结构很相似，区别在于softmax会对svm的输出分量进行归一化处理，使得每一个输出分量

k-Nearest Neighbor (kNN) exercise kNN分类器包含两个阶段: 1.训练阶段： kNN分类器获取训练数据集，并进行存储 2.测试阶段： kNN分类器将每个测试图像与所有训练图像进行比较，计算出两者之间的距离。找出k张距离最近的训练图像，在这k张距离最近的训练图像中，选择标签类别占多数的类别，作为测试图像的类别。 k值的交叉验证 通过交叉验证得到最优的k值 # Ru