百度深度学习集训营已经正式开营,每个阶段的作业都将有各自的奖励,欢迎大家学习~
PS:如遇帖子过期、审核不通过的情况,请先复制内容保存在word文档,然后根据提示,完成个人实名验证,刷新后重新粘贴复制的内容,即可提交~
欢迎大家报名参加~
1月9日作业:
作业9-1:在第二章中学习过如何设置学习率衰减,这里建议使用分段衰减的方式,衰减系数为0.1, 根据ResNet目前的训练情况,应该在训练到多少步的时候设置衰减合适?请设置好学习率衰减方式,在眼疾识别数据集iChallenge-PM上重新训练ResNet模型。
作业9-1奖励:在作业中随机各抽取5名同学送出飞桨本+数据线+飞桨贴纸
回复帖子形式: 作业9-1:XXX
抽奖作业截止时间:2020年1月13日中午12点之前
作业9-2奖励:在作业中随机各抽取5名同学送出飞桨本+数据线+飞桨贴纸
回复帖子形式: 作业9-2:XXX
抽奖作业截止时间:2020年1月13日中午12点之前
1月7日作业:
作业8:如果将LeNet模型中的中间层的激活函数Sigmoid换成ReLU,在眼底筛查数据集上将会得到什么样的结果?Loss是否能收敛,ReLU和Sigmoid之间的区别是引起结果不同的原因吗?请发表你的观点
作业8奖励:在作业中随机各抽取5名同学送出飞桨本+数据线+飞桨贴纸
回复帖子形式: 作业8:XXX
获奖同学:#820 thunder95、#819 你还说不想我吗、 #818 百度用户#0762194095、#817 呵赫 he、#816 星光1dl
1月2日作业
作业7-1 计算卷积中一共有多少次乘法和加法操作
输入数据形状是[10, 3, 224, 224],卷积核kh = kw = 3,输出通道数为64,步幅stride=1,填充ph = pw =1
完成这样一个卷积,一共需要做多少次乘法和加法操作?
提示:先看输出一个像素点需要做多少次乘法和加法操作,然后再计算总共需要的操作次数
提交方式:请回复乘法和加法操作的次数,例如:乘法1000,加法1000
作业7-1奖励:抽取5人赢得飞桨定制本+数据线,截止时间2020年1月6日中午12点之前
回复帖子形式: 作业7-1:XXX
作业7-2奖励:从正确答案中抽取5人获得飞桨定制本+50元京东卡,截止时间2020年1月6日中午12点之前
12月31日作业
作业6-1:
1.将普通神经网络模型的每层输出打印,观察内容
2.将分类准确率的指标 用PLT库画图表示
3.通过分类准确率,判断以采用不同损失函数训练模型的效果优劣
4.作图比较:随着训练进行,模型在训练集和测试集上的Loss曲线
5.调节正则化权重,观察4的作图曲线的变化,并分析原因
作业6-1奖励:抽取5人赢得飞桨定制本+数据线 ,回复帖子形式: 作业6-1:XXX
作业6-2:
正确运行AI Studio《百度架构师手把手教深度学习》课程里面的作业3 的极简版代码,分析训练过程中可能出现的问题或值得优化的地方,通过以下几点优化:
(1)样本:数据增强的方法
(2)假设:改进网络模型
(2)损失:尝试各种Loss
(2)优化:尝试各种优化器和学习率
目标:尽可能使模型在mnist测试集上的分类准确率最高
提交实现最高分类准确率的代码和模型,我们筛选最优结果前10名进行评奖
作业6-2奖励:飞桨定制本+50元京东卡
12月25日作业
12月23日作业
作业4-1:在AI studio上运行作业2,用深度学习完成房价预测模型
作业4-1奖励:飞桨定制本+ 《深度学习导论与应用实践》教材,选取第2、3、23、123、223、323…名同学送出奖品
作业4-2:回复下面问题,将答案回复帖子下方:
通过Python、深度学习框架,不同方法写房价预测,Python编写的模型 和 基于飞桨编写的模型在哪些方面存在异同?例如程序结构,编写难易度,模型的预测效果,训练的耗时等等?
回复帖子形式: 作业4-2:XXX
作业4-2奖励:在12月27日(本周五)中午12点前提交的作业中,我们选出最优前五名,送出百度定制数据线+《深度学习导论与应用实践》教材
12月17日作业
完成下面两个问题,并将答案回复在帖子下面,回帖形式:作业3-1(1)XX(2)XX
作业奖励:在2019年12月20日中午12点之前提交,随机抽取5名同学进行点评,礼品是本+数据线
12月12日作业
获奖者:第12名:飞天雄者
12月10日作业
作业1-1:在AI Studio平台上https://aistudio.baidu.com/aistudio/education/group/info/888 跑通房价预测案例
作业1-1奖励:最先完成作业的前3名,以及第6名、66名、166名、266名、366名、466名、566名、666名的同学均可获得飞桨定制大礼包:飞桨帽子、飞桨数据线 、飞桨定制logo笔
作业1-1的获奖者如图:
作业1-2:完成下面两个问题,并将答案发布在帖子下面
①类比牛顿第二定律的案例,在你的工作和生活中还有哪些问题可以用监督学习的框架来解决?假设和参数是什么?优化目标是什么?
②为什么说AI工程师有发展前景?怎样从经济学(市场供需)的角度做出解读?
作业1-2奖励:回复帖子且点赞top5,获得《深度学习导论与应用实践》教材+飞桨定制本
点赞Top5获奖者:1.飞天雄者 2.God_s_apple 3.177*******62 4.学痞龙 5.故乡237、qq526557820
作业截止时间2020年1月10日,再此之前完成,才有资格参加最终Mac大奖评选
报名流程:
1.加入QQ群:726887660,班主任会在QQ群里进行学习资料、答疑、奖品等活动
2.点此链接,加入课程报名并实践:https://aistudio.baidu.com/aistudio/course/introduce/888
温馨提示:课程的录播会在3个工作日内上传到AI studio《百度架构师手把手教深度学习》课程上
作业2-1
(1)
(2)
import numpy as np
import matplotlib.pyplot as plt
class Network(object):
def __init__(self, num_of_weights):
# 随机产生w的初始值
# 为了保持程序每次运行结果的一致性,设置固定的随机数种子
#np.random.seed(0)
self.w_1 = np.random.randn(num_of_weights, num_of_weights)
self.b_1 = np.zeros(num_of_weights)
#定义第二层的初始权重
self.w_2=np.random.randn(num_of_weights,1)
self.b_2=0.
def forward_1(self, x):
z = np.dot(x, self.w_1) + self.b_1
return z
def forward_2(self,x):
z=np.dot(x,self.w_2)+self.b_2
return z
def loss(self, z, y):
error = z - y
num_samples = error.shape[0]
cost = error * error
cost = np.sum(cost) / num_samples
return cost
def gradient(self, x, y, z):
#z = self.forward_1(x) or 为2
N = x.shape[0]
gradient_w = 1. / N * np.sum((z-y) * x, axis=0)
gradient_w = gradient_w[:, np.newaxis]
gradient_b = 1. / N * np.sum(z-y)
return gradient_w, gradient_b
def update_1(self, gradient_w, gradient_b, eta = 0.01):
self.w_1 = self.w_1 - eta * gradient_w
self.b_1 = self.b_1 - eta * gradient_b
def update_2(self, gradient_w, gradient_b, eta = 0.01):
self.w_2=self.w_2 - eta * gradient_w
self.b_2 = self.b_2 - eta * gradient_b
def train(self, training_data, num_epoches, batch_size=10, eta=0.01):
n = len(training_data)
losses = []
for epoch_id in range(num_epoches):
# 每轮迭代开始之前,将训练数据的顺序打乱,
# 然后再按每次取batch_size条数据的方式取出
np.random.shuffle(training_data)
# 将训练数据进行拆分,每个mini_batch包含batch_size条的数据
mini_batches = [training_data[k:k+batch_size] for k in range(0, n, batch_size)]
for iter_id, mini_batch in enumerate(mini_batches):
#print(self.w.shape)
#print(self.b)
x = mini_batch[:, :-1]
y = mini_batch[:, -1:]
#前向传播
a_1 = self.forward_1(x)
a_2=self.forward_2(a_1)
#反向传播第二层的
loss = self.loss(a_2, y)
gradient_w_2, gradient_b_2 = self.gradient(a_1, y,self.forward_2(a_1))
self.update_2(gradient_w_2, gradient_b_2, eta)
#反向传播第一层的
gradient_w_1,gradient_b_1=self.gradient(x,a_1,self.forward_1(x))
self.update_1(gradient_w_1,gradient_b_1,eta)
losses.append(loss)
print('Epoch {:3d} / iter {:3d}, loss = {:.4f}'.
format(epoch_id, iter_id, loss))
return losses
# 获取数据
train_data, test_data = load_data()
# 创建网络
net = Network(13)
# 启动训练
losses = net.train(train_data, num_epoches=50, batch_size=100, eta=0.1)
# 画出损失函数的变化趋势
plot_x = np.arange(len(losses))
plot_y = np.array(losses)
plt.plot(plot_x, plot_y)
plt.show()
作业3-1(1)
import numpy as np
%matplotlib inline
import matplotlib.pyplot as plt
import matplotlib.patches as patches
plt.figure(figsize=(8, 3))
def tanh(x):
y = (np.exp(x) - np.exp(- x)) / (np.exp(x) + np.exp(- x))
return y
x = np.arange(-10, 10, 0.1)
# 画图
plt.plot(x, tanh(x), color='r')
plt.text(-7., 0.9, r'$y=\tanh(x)$', fontsize=13)
currentAxis=plt.gca()
currentAxis.xaxis.set_label_text('x', fontsize=15)
currentAxis.yaxis.set_label_text('y', fontsize=15)
plt.show()
作业3-1(2)
import numpy as np
p=np.random.randn(10,10)
q=(p>0)
sum=np.sum(q)
print(sum)
作业8:
relu:
sigmoid:
可以看到使用relu激活函数在验证集上的loss和accuracy震荡更小而且更加稳定
作业9-1:在1000-3000步设置0.01, 在3000步设0.001
作业9-1:
boundaries = [150,300]
values=[0.01,0.001,0.0001]
可见使用分段衰减后,accuracy可以达到0.96甚至0.97
作业9-2:
代码修改:
(1)train中使用分段衰减的学习率;
(2)网络构成修改:
(3)网络前向输出:
验证集上的结果:
跑Googlenet报错,说内存不足
作业7-2
是不是把Batch写的太大的,如果实在跑不起来可以改小一点
我改为2也不行
作业3-1 使用numpy计算tanh激活函数
程序代码:
作业3-1(2)统计随机生成矩阵中有多少个元素大于0
作业3:
3-1: 用numpy实现tanh函数的计算,并画出其函数曲线
3-2:统计随机生成矩阵中有多少个元素大于0
作业2
2-1:
作业3
3-1:重新提交
分段衰减学习率,如何打印出训练过程中的具体学习率?
作业7-1:
输出一个像素点需要:
乘法 9次
加法 8次加法+1次偏置项加法=9次加法
单层数据[224, 224]卷积不填充输出数据[222, 222],输出像素点为222*222
因此:
一次卷积需要的乘法=9*222*222*3*64*10=851627520次
一次卷积需要的加法=9*222*222*3*64*10=851627520次
作业7-2
作业在这里交么?是不是我来晚了?这个班结束了吗?
结束了,现在是NLP,作业在另一个帖子交
NLP的在这https://ai.baidu.com/forum/topic/show/957882
因为:
$$H_{out} = \frac{H + 2p_h - k_h}{s_h} + 1$$
$$W_{out} = \frac{W + 2p_w - k_w}{s_w} + 1$$
所以,总计算量为:
加法数=$9*10*64*224*2224=289013760$
乘法数也一样