馬俊騰：了解到了卷積神經網路的應用，並且在工業上的自動駕駛方面做的還好，了解到了它與傳統神經網路的差異，通過引數共享等可以實現更好的模型，對卷積神經網路的基本結構有了一定的了解：卷積、池化、全連線。
蔣夢琦：線性代數,概率論,微積分是機器學習中各種模型的基礎,有些模型的公式和推導過程看起來很複雜,但拆解開看會發現有隨機變數,概率分布,最大似然估計,梯度下降法的公式和原理。免費午餐定理：當考慮在所有問題上的平均效能時，任意兩個模型都是相同的，沒有任何乙個模型可以在所有的學習任務裡表現最好；奧卡姆剃刀原理：「如無必要，勿增實體」。深度學習三部曲：1、搭建神經網路結構；2、找到合適的損失函式；3、找到乙個合適的優化函式，更新引數；
劉瑞帥：機器學習的三要素是模型、策略、演算法；進行深度學習時更像是乙個數學問題，比如這次都是關於畫素點展開相應的數學問題，應用到了線性代數上的矩陣等數學方法，來**其中的規律，進而進行相應的識別。卷積神經網路在某些問題上可以顯著提公升識別效能，但是對於某些特殊情況反而處於劣勢，比如打亂畫素順序之後，所以cnn這個工具不能盲目的去用，關鍵的還是選擇好正確的構建方法後再去解決相應問題，沒有某個工具是所有問題的解。
任晟：pytorch的卷積神經網路：提取特徵不需要整張，而是區域性的區域所決定的（區域性性）不同的**可以用相同的檢測模式去檢測相同的特徵（相同性）對於一張大如果我們進行下取樣，那麼的性質基本不變（不變性）輸入層：一般的輸入層需要能被2整出多次 卷積層：nn.cov2d 卷積層一般得多使用比較小的濾波器，如3x3 或5x5。每次的滑動步長為1 如有需要還要進行0填充。池化層：其作用是降低資料體的空間尺寸。全連線層：將之前層的神經元全連線起來。
吳淳桐：機器學習繞不過線性代數，概率論，微積分，需要有良好的數學基礎實現技術支援，機器學習三要素：模型，策略，演算法，分為頻率學派和貝葉斯學派，無免費午餐定理，奧卡姆剃刀原理，當考慮在所有問題上的平均效能時，任意兩個模型都是相同的，沒有任何乙個模型可以在所有的學習任務裡表現最好，卷積神經網路（cnn）由輸入層、卷積層、啟用函式、池化層、全連線層組成，即input（輸入層）-conv（卷積層）-relu（啟用函式）-pool（池化層）-fc（全連線層）構成
1、mnist資料集分類
基於卷積神經網路擁有的卷積和池化手段，通過卷積神經網路進行訓練，對於擁有相同數量的模型引數的情況下，效果要優於簡單的全連線網路。
但是對於打亂畫素順序之後，卷積神經網路的優勢蕩然無存，甚至不如全連線網路的效能，這是因為卷積神經網路在訓練時會利用畫素的區域性關係，打亂順序後這些區域性關係就變了，會極大的 影響卷積神經網路的結果。
2、使用cnn對cifar10資料集進行分類
cnn識別並不是全對，有識別錯誤的情況：
對於整個圖集的識別準確率是64%
3、使用vgg16對cifar10分類
需要修改兩處**：
通過使用簡化版的vgg16對cifar10分類，顯著提公升了識別準確率，由64%提公升至了84.34%
軟工第三次作業
031702523 psp2.1 personal software process stages 預估耗時 分鐘 實際耗時 分鐘 planning 計畫30 45estimate 估計這個任務需要多少時間 2020 development 開發1500 1650 analysis 需求分析 包括學...
軟工實踐第三次作業
原部落格 隊友部落格 嶽冠宇 051601135 陳思孝 051604103 axure rp 8 對爬取的資訊進行結構化處理，分析top10個熱門領域或熱門研究方向 可對多年間 不同頂會的熱詞呈現熱度走勢對比 這裡將範疇限定在計算機視覺的三大頂會cvpr iccv eccv內 匯入 列表篩選 搜尋...
第三次軟工
軟工實驗報告三 點歌系統的詳細設計和實現 使用者介面設計2系統實現3總結與展望 一使用者介面設計 三總結和展望 總結展望 課程班級 學 號 姓 名 實驗時間 軟體工程導論 12電信1 120705118 章朧朧2013.12.22 本系統的設計思路主要是實用 簡便 靈活 穩定。整個系統有完整的組織框...