更改

==学生准备== 携带笔记本，智能手机 (Bring your own laptop computers and camera-ready smart phones) ==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）[5]，频谱图文件名称为*.spec# 熟悉TensorFlow环境[6]，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）