查看“智能硬件-课程项目”的源代码

==学生准备==

携带笔记本，智能手机

(Bring your own laptop computers and camera-ready smart phones)

==作业1==

Install TensorFlow Mobile in HUAWEI Kylin 930

==课程项目-语音识别==

===ASR-实验1===

声控智能硬件-语音指令录音 

通过给手机语音指令，手机APP自动识别指令种类，进行相应的控制。

[[智能硬件-语音指令集]]

存放目录：\\101.6.160.42\智能硬件录音

以学号建立文件夹，限定使用*.wav格式。

每位同学提交24条语音，要求高质量保证。

时间：10月7日中午12点之前

===ASR-实验2===

声控智能硬件-频谱图生成
	
将24条语音文件生成对应的频谱图（Spectrogram），频谱图文件名称为*.spec

熟悉TensorFlow环境，使用TensorFlow搭建3层全连接的神经网络（24个softmax输出）。

时间：2016年10月14日中午12点之前

==课程项目-人脸识别==

[[智能硬件-人脸识别]]

==课程项目-云+端整合==

[[智能硬件-云端整合]]

==课程项目-深度学习==

===基本任务：手写数字识别===

利用附件提供的Matlab Deep Learning Toolbox中的卷积神经网络（CNN），在MNIST手写数字样本集上，利用训练集样本进行训练，并对测试集样本进行测试。

建议阅读附件中的背景知识和工具箱中的CNN源代码，在了解算法原理和技术实现细节基础上，参照示例程序'''''CNN/test_example_CNN.m'''''，自行调整算法中至少一种关键参数或设置，例如调整CNN的卷积层及下采样层的层数、或模板大小等参数；在至少一种与原始程序不同的参数或设置下分别进行训练，做出测试集识别率（或错误率）随参数或设置变化的对照图或对照表，并标出最高识别率对应的参数或设置。

===提高任务：物体检测===

请参考工具箱中'''''tests/test_example_SAE.m'''''示例文件，利用STL-10数据集中的无标注图片训练一个自动编码器，再用自动编码器隐含层的参数初始化一个神经网络分类器，并使用训练集中有标注的图片进行训练，最后使用神经网络分类器在测试集上进行测试。测试阶段，调用nntest的返回值“er”为测试集上的识别错误率。

在训练过程中，尝试调整算法中至少一种关键参数或设置，例如自动编码器隐含层的节点个数；在至少一种与原始程序不同的参数或设置下进行实验，做出测试结果随参数或设置变化的对照图或对照表。

在'''''test_example_SAE.m'''''中，建议修改第16行和第28行的'''''opts.numepochs'''''数值，比如将原来的1改为3；如果改变自动编码器隐含层节点数目进行实验比较，需要注意：
:第12行：sae = saesetup([784 <font color="#FF0000">'''100'''</font>]);
:第22行：nn = nnsetup([784 <font color="#FF0000">'''100'''</font> 10]);
中红色标注的参数要修改一致。

===报告要求===

报告应包含以下内容：

# 在MNIST手写数字样本测试集上，识别率（或错误率）随参数或设置变化的对照图或对照表。
# ''（选做）''在STL-10 测试集上，识别率（或错误率）随参数或设置变化的对照图或对照表。
# 总结收获和体会。

提交报告时，请一并提交自己编写或修改过的源代码。

===附件===

更多帮助，请阅读实验指导书。

实验指导书和工具箱下载：

http://166.111.6.122/RegionDownloadService/1511/0A6A33E76DFD6DFCD75E20F7C1226B7E3.html

（助教：王晗 wang-han13@mails.tsinghua.edu.cn）

==课程项目-智能医药问答==

（常嘉辉）