作业帖 | 百度深度学习集训营

项目

数据集

课程

比赛

模型库

活动

论坛

访问飞桨官网

项目

数据集

课程

比赛

模型库

活动

论坛

访问飞桨官网

DJ星尘发布于2019-12

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

全部评论(953)

楼下小黑

#402 回复于2019-12

作业：3-1 （1）

import numpy as np
import matplotlib.pyplot as plt

#设置图片大小
plt.figure(figsize=(8, 3))

# x是1维数组，数组大小是从-10. 到10.的实数，每隔0.1取一个点
x = np.arange(-10, 10, 0.1)

# 计算tanh函数
y = (np.exp(x)-np.exp(- x)) / (np.exp(x) + np.exp(- x))

# 画出函数曲线
plt.plot(x, y, color='r')

# 添加文字说明
plt.text(-5., 0.9, r'$y=\tanh(x)$', fontsize=13)

# 设置坐标轴格式
currentAxis=plt.gca()
currentAxis.xaxis.set_label_text('x', fontsize=15)
currentAxis.yaxis.set_label_text('y', fontsize=15)

plt.show()

（2）

import numpy as np

#使用np.random.randn生成随机数构成的矩阵：
p = np.random.randn(10,10)

#for循环遍历矩阵中元素值大于0的元素个数
count = 0
for item in p.flat:
    if item > 0:
        count += 1
print('大于0的元素个数： {}'.format(count))

q = (p > 0)
print("q.dtype： {}".format(q.dtype))

#true的值为1，false的值为0
print('大于0的元素个数： {}'.format(np.sum(q)))

家旭

#403 回复于2019-12

作业1-1

昂

昂电工电

#404 回复于2019-12

作业 3-1 （1）

import numpy as np
import matplotlib.pyplot as plt

#设置图片大小
plt.figure(figsize=(8, 3))

# x是1维数组，数组大小是从-10. 到10.的实数，每隔0.1取一个点
x = np.arange(-10, 10, 0.1)

# 计算tanh函数
y = (np.exp(x)-np.exp(- x)) / (np.exp(x) + np.exp(- x))

# 画出函数曲线
plt.plot(x, y, color='r')

# 添加文字说明
plt.text(-5., 0.9, r'$y=\tanh(x)$', fontsize=13)

# 设置坐标轴格式
currentAxis=plt.gca()
currentAxis.xaxis.set_label_text('x', fontsize=15)
currentAxis.yaxis.set_label_text('y', fontsize=15)

plt.show()

（2）

import numpy as np

#使用np.random.randn生成随机数构成的矩阵：
p = np.random.randn(10,10)

#for循环遍历矩阵中元素值大于0的元素个数
count = 0
for item in p.flat:
if item > 0:
count += 1
print('大于0的元素个数： {}'.format(count))

q = (p > 0)
print("q.dtype： {}".format(q.dtype))

#true的值为1，false的值为0
print('大于0的元素个数： {}'.format(np.sum(q)))

mjaoo49

#405 回复于2019-12

3-1

import numpy as np

import matplotlib.pyplot as plt

x = np.linspace(-10,10,100,endpoint=True)

a=np.e ** x

b=np.e**(-x)

y = (a - b)/(a + b) plt.plot(x, y, 'b-.')

plt.xlim(x.min()*1.1, x.max()*1.1)

plt.ylim(y.min()*1.1, y.max()*1.1)

plt.show()

3-2

# coding=UTF-8
import numpy as np

p = np.random.randn(10, 10)
q = (p > 0)
cnt = np.sum(q)
print(">0的个数为；", cnt)

千下

#406 回复于2019-12

作业2-1

(1)

mjaoo49

#407 回复于2019-12

2-1

mjaoo49

#408 回复于2019-12

1-1

加工产品的材料选择。在成本尽可能低的情况下，选择的材料material property尽可能的好。成本和材料material property指标，对选择决策的权重值。

mjaoo49

#409 回复于2019-12

1-2

AI的应用以在生活和工作中大面积应用，并且那些没有应用的领域也正在慢慢被AI占领，未来的生活和工作与AI密不可分。

人们需要更多个性化的服务与协助，AI可以很好的解决这一需求。

peng_0007

#410 回复于2019-12

作业3-1

（1）使用numpy计算tanh激活函数

（2）统计随机生成矩阵中有多少个元素大于0

peng_0007

#411 回复于2019-12

作业2-1：

千下

#412 回复于2019-12

作业1-2
①
探索水的重量和体积的关系，
假设：水的的重量和水的体积成一定比例
参数：水的重量和体积的比重
优化目标：水的体积乘以比重无限接近于水的重量

②
AI有着通过机器运算快速解决问题，而通过人力无法短时间内解决的优势。AI工程师有着设计通过AI解决问题的方案，帮助企业和社会快速分析现状、发现问题、预测目标结果。

家旭

#413 回复于2019-12

作业：2-1 （1）

家旭

#414 回复于2019-12

作业：2-1 （2）

import numpy as np
import matplotlib.pyplot as plt

# # 【梯度下降】
# 1、本质:求解f'(x)=0
# 2、算法:起点X0按照步长α向f'(x)为0逼近(x(n+1) = x(n) - α*f'(x(n)))

# 不提交数据目录
baseDir = './../../../../../../../data/pp/aistudio'
# 数据文件
datafile = '%s/data/housing.data' % baseDir

# 特征名称
# 每条数据包括14项，其中前面13项是影响因素，第14项是相应的房屋价格中位数
feature_names = ['CRIM', 'ZN', 'INDUS', 'CHAS', 'NOX', 'RM', 'AGE', 'DIS', 'RAD', 'TAX', 'PTRATIO', 'B', 'LSTAT', 'MEDV']
feature_num = len(feature_names)

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，此处设置固定的随机数种子
# np.random.seed(0)
self.w = np.random.randn(num_of_weights, 1)
self.b = 0.

def forward(self, x):
z = np.dot(x, self.w) + self.b
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 = self.forward(x)
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(self, gradient_w, gradient_b, eta=0.01):
self.w = self.w - eta * gradient_w
self.b = self.b - 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):
# 在每轮迭代开始之前，将训练数据的顺序随机的打乱，
# 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):
x = mini_batch[:, :-1]
y = mini_batch[:, -1:]
a = self.forward(x)
loss = self.loss(a, y)
gradient_w, gradient_b = self.gradient(x, y)
self.update(gradient_w, gradient_b, eta)
losses.append(loss)
print('Epoch {:3d} / iter {:3d}, loss = {:.4f}'.format(epoch_id, iter_id, loss))
return losses

def load_data():
# 从文件导入数据
data = np.fromfile(datafile, sep=' ')
# 将原始数据进行Reshape，变成[N, 14]这样的形状
data = data.reshape([data.shape[0] // feature_num, feature_num])
# 将原数据集拆分成训练集和测试集
# 这里使用80%的数据做训练，20%的数据做测试
# 测试集和训练集必须是没有交集的
ratio = 0.8
offset = int(data.shape[0] * ratio)
training_data = data[:offset]
# 计算train数据集的最大值，最小值，平均值
maximums = training_data.max(axis=0)
minimums = training_data.min(axis=0)
avgs = training_data.sum(axis=0) / training_data.shape[0]
# 对数据进行归一化处理
for i in range(feature_num):
data[:, i] = (data[:, i] - avgs[i]) / (maximums[i] - minimums[i])

# 训练集和测试集的划分比例
training_data = data[:offset]
test_data = data[offset:]
return training_data, test_data

if __name__ == '__main__':
# 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()

fdsasdfdddsa

#415 回复于2019-12

作业3-1

（1）

import numpy as np
%matplotlib inline
import matplotlib.pyplot as plt
import matplotlib.patches as patches

#设置图片大小
plt.figure(figsize=(3, 3))

# x是1维数组，数组大小是从-10. 到10.的实数，每隔0.1取一个点
x = np.arange(-10, 10, 0.1)
# 计算 Sigmoid函数
s = (np.exp(x) - np.exp(- x)) / (np.exp(x) + np.exp(- x))


#########################################################

# 画出函数曲线
plt.plot(x, s, color='r')
# 添加文字说明
plt.text(-8.5, 0.8, r'$y = \frac{e^{x} - e^{-x}}{e^{x} + e^{-x}}$', fontsize=15)
# 设置坐标轴格式
currentAxis=plt.gca()
currentAxis.xaxis.set_label_text('x', fontsize=15)
currentAxis.yaxis.set_label_text('y', fontsize=15)

plt.show()

（2）

p = np.random.randn(10, 10)
np.sum((p>0),axis=None)

自在e鹤悠

#416 回复于2019-12

作业3-1：

import numpy as np
#import matplotlib.patches as patches
import matplotlib.pyplot as plt
#设置图片大小
plt.figure(figsize=(8, 3))

# x是1维数组，数组大小是从-10. 到10.的实数，每隔0.1取一个点
x = np.arange(-10, 10, 0.1)
# 计算 Tahn函数
t = (np.exp(x)-np.exp(- x)) / (np.exp(x) + np.exp(- x))

# 画出函数曲线
plt.plot(x, t, color='r')
# 添加文字说明
plt.text(-5., 0.9, 'y=tahn(x)', fontsize=13)
# 设置坐标轴格式
currentAxis=plt.gca()
currentAxis.xaxis.set_label_text('x', fontsize=15)
currentAxis.yaxis.set_label_text('y', fontsize=15)
plt.show()

自在e鹤悠

#417 回复于2019-12

作业3-2：

import numpy as np
p = np.random.randn(10,10)
k=0
for i in range(len(p)):
    for j in range(len(p[0])):
        q=np.clip(p[i][j],a_min=0.,a_max=None)
#        q=q.y()
        if q>0:
            k=k+1
            print('p[{}][{}]={},dtypr:{}'.format(i,j,q,q.dtype))
print('The toal number is:',k)

p[0][1]=0.501322440533,dtypr:float64
p[0][2]=0.551916922652,dtypr:float64
p[0][3]=1.46127125636,dtypr:float64
p[0][5]=0.730979740459,dtypr:float64
p[0][7]=1.68435892299,dtypr:float64
p[1][1]=0.3345535338,dtypr:float64
p[1][2]=2.1468275309,dtypr:float64
p[1][6]=1.02078534307,dtypr:float64
p[2][0]=1.087467328,dtypr:float64
p[2][7]=0.289645674059,dtypr:float64
p[3][1]=1.22545094789,dtypr:float64
p[3][2]=1.00308374085,dtypr:float64
p[3][4]=1.25085352886,dtypr:float64
p[3][5]=1.97019741655,dtypr:float64
p[4][0]=1.06401266594,dtypr:float64
p[4][2]=0.597270581226,dtypr:float64
p[4][3]=0.3482483626,dtypr:float64
p[4][6]=0.141376421391,dtypr:float64
p[5][3]=1.31766348985,dtypr:float64
p[5][4]=1.16669796004,dtypr:float64
p[5][7]=0.528632105055,dtypr:float64
p[6][2]=0.667178034373,dtypr:float64
p[6][3]=0.877915574439,dtypr:float64
p[6][4]=1.14670561351,dtypr:float64
p[6][8]=1.03600754495,dtypr:float64
p[7][0]=0.175957502418,dtypr:float64
p[7][3]=0.164732586383,dtypr:float64
p[7][6]=1.50026765032,dtypr:float64
p[7][8]=0.518342580002,dtypr:float64
p[8][2]=0.149529853581,dtypr:float64
p[8][5]=0.267029409108,dtypr:float64
p[8][7]=0.437549696042,dtypr:float64
p[8][8]=0.131617072712,dtypr:float64
p[8][9]=0.18667942663,dtypr:float64
p[9][1]=0.0261137313738,dtypr:float64
p[9][2]=0.577466168662,dtypr:float64
p[9][4]=0.215273609573,dtypr:float64
p[9][5]=1.54782560935,dtypr:float64
p[9][6]=1.44843214715,dtypr:float64
('The toal number is:', 39)

lee_hour

#418 回复于2019-12

作业2-1：

张静2019

#419 回复于2019-12

作业3-1：

1）

import numpy as np
%matplotlib inline
import matplotlib.pyplot as plt
import matplotlib.patches as patches

#设置图片大小
plt.figure(figsize=(5, 5))

# x是1维数组，数组大小是从-10. 到10.的实数，每隔0.1取一个点
x = np.arange(-10, 10, 0.1)
# 计算tanh函数
y1 = (np.exp(x)-np.exp(-x))/(np.exp(x)+np.exp(-x))

# 画出函数曲线
plt.plot(x, y1, color='b')
# 添加文字说明
plt.text(-3.0, 0.7, r'$y=tanh(x)$', fontsize=13)
# 设置坐标轴格式
currentAxis=plt.gca()
currentAxis.xaxis.set_label_text('x', fontsize=15)
currentAxis.yaxis.set_label_text('y', fontsize=15)

plt.show()

2）

import numpy as np
np.random.seed(10)
p = np.random.randn(10,10)
q = p>0
print(q.dtype)
m = q.astype(np.int32)
num = np.sum(m)
num

Noah

#420 回复于2019-12

作业3-1（1）

import numpy as np
x = np.arange(-10,10,0.1)
y = (np.exp(x)-np.exp(-x))/(np.exp(x)+np.exp(-x))
import matplotlib.pyplot as plt
plt.figure(figsize= (8,3))
plt.subplot(121)
plt.plot(x,y)
plt.text(-7,0.8,'y=tanh(x)',fontsize=13)
currentAxis=plt.gca()
currentAxis.xaxis.set_label_text('x', fontsize=15)
currentAxis.yaxis.set_label_text('y', fontsize=15)

（2）

p = np.random.randn(10,10)
q=p>0
np.sum(q)
q.dtype

中姚南思海辰

#421 回复于2019-12

作业3-1：

(1)numpy算tanh：

import numpy as np
import matplotlib.pyplot as plt
%matplotlib inline

def tanh(z):
return (np.exp(z)-np.exp(-z))/(np.exp(z)+np.exp(-z))

x=np.arange(-10 , 10 , 0.1)
y = tanh(x)
plt.plot(x,y)
plt.show()

(2)统计随机矩阵中大于0元素个数

import numpy as np

print(sum(sum((np.random.randn(10,10)>0)==True)))