“2018013303——张泽”版本间的差异

2019年7月8日 (一) 09:39的最后版本

第一次课：

      上午：智能路灯 将感受光强的程序与控制LED灯的程序连接起来，实现了当光强小于一定数值时LED自动亮起

      下午：智能迎宾系统 体验了人脸识别系统和发声系统，由于不清楚哪个参数代表是否成功识别人脸，因此最终还只是个半成品。

      upload a picture
      

第二次课：

• 组件安装：python 3.7，gitbash,tensorflow,jupyter notebook
  对tensorflow运行所需的环境进行了配置
• 初次认识机器学习：数据 算法 模型
• 机器学习：

 利用经验集E提升任务T的性能P的方法就是机器学习  
 目的：推广Generalization 推广误差 Generalization error
 GE = AE + EE + OE(Approximation error, Estimation error, Optimization error)  
 标志性论文：deep belief nets 2006 AlexNet 2012 “imageNet classification with deep convolutional neural networks”

• 机器学习基础：

              深度神经网络
              输入(input),输出(output),批次(batch),一次迭代(epoch),权重(w),偏移(b),激活函数(activation function),损失函数(loss function)               
              通过训练调整权重使损失函数取最小的过程
              激活函数：ReLU sigmoid tanh
              学习率(步长)
              反向传播算法 The backpropagation algorithm求偏导数：链式求导法则，减小求偏导数的运算量 
              随机梯度下降法进行权重的更新

• tensorflow:

            tensor 的概念
            tensor和numpy
            tensorflow计算图
            tensorflow编程框架
            tensorflow训练实践(jupyter上编译 谷歌tensorflow网站上演示)

第三次课：

• 卷积神经网络（CNN）：

                    convolutional layers 卷积层 pooling layers 采样层 normalization layers 正则层(dropout) MLP 分类器
                    卷积核（2d 3d）
                    局部权重共用以简化计算
                    max pooling 缩小样本范围
                    LCN 减小过拟合的情况
                    广泛应用于图像识别（CNN+DENSE全连接）

• 循环神经网络（RNN）：

                    引入时间序列
                    W U V三类权重 
                    LSTM——对RNN改进 引入记忆单元和门单元

第四次课：

                   GRU 简化LSTM 提高运算速度
                   智能音箱
                   Android studio 查看了有关app的源代码，初步了解开发安卓app的过程
                   audioPlot：                   
                  （1）录音生成对应语音指令的录音文件
                  （2）对应文件生成时频谱图（spectrogram）
                   audioNet：
                  （3）用tensorflow搭一个深度神经网络
                  （4）使用录音集进行训练
                  （5）验证神经网络准确率
                   AudioRec
                  （6）部署神经网络到硬件平台上
                   论文阅读