“袁炜林”版本间的差异

2019年7月5日 (五) 04:54的版本

2019/7/1 Day 1

对于本门课程、课程wiki、git、PYNQ板有了初步的了解。

·建立个人的wiki档案；

·利用fork操作从课程git上复制了课程所需的材料；

·安装python和jupyter notebook，并学习熟悉界面的基本操作及几种jupyter notebook支持的语言；

·连接PYNQ，在jupyter notebook上试运行一个老师提供的example；

2019/7/2 Day 2

继续学习PYNQ板的各种功能。

·进行环境光检测，并编写一个简单的智能路灯代码；
·运行用外接麦克风录音并playback的代码；
·运行opencv人脸识别的代码；

2019/7/3 Day 3
学习机器学习的理论基础。

·了解什么是Machine Learning，用什么方法；
·了解Tensorflow的框架是如何建立的，运行一个利用tensorflow训练的分类器实例；
·具体了解Deep Learning的运算过程，明确用梯度下降方法计算损失函数最小值的过程（反向传播）；
·了解Tensorflow是机器学习方法范式的原因：数值计算的稳定性，很难保证结果的准确性；

2019/7/4 Day 4

·学习生物神经网络的结构和功能；
·学习人工神经网络的原理和训练方法：建立计算图、进行计算；
·学习全连接（多层感知机）和卷积神经网络的参数与代码写法：MLP的权重个数多，CNN权重个数少、可并行运算快、革命性；
·了解MNIST数据集，分别运行MLP方法和CNN方法识别MNIST手写数据集，发现CNN比MLP快且准确率更高；

2019/7/5 Day 5
·了解RNN（循环网络结构）的原理，RNN会把t-1时刻的数据也考虑进来进行运算，因此可以预测时间上前后的依赖与影响；
·了解RNN的实例，如语音识别/天气预报/自然语言处理等，种类众多，因为RNN输入与输出十分灵活；
·尝试运行RNN和动态RNN的代码；
·初步了解Jetson，并配置Jetson TX2，主要包括连接显示器/电源/键盘/鼠标等配件；