博客园  :: 首页  :: 新随笔  :: 联系 :: 订阅 订阅  :: 管理

2019年12月15日

摘要: 作业要求 1、作业内容 "第七次团队作业" 2、 评分细则 (1)开头描述(5%) (2)博客内容(45%) 请回望第一次个人作业,你对于软件工程课程的想象和提出的问题。 链接到以前提问题的博客 尝试对自己提出的问题进行解答,并阐明,是如何通过看书,实际,或者讨论弄明白的 是否产生了新的问题?请提出 阅读全文

posted @ 2019-12-15 19:29 棽棽 阅读(230) 评论(0) 推荐(0) 编辑

2019年12月2日

摘要: 1、作业内容 "Alpha2项目测试" 2、评分细则 (1)本人的姓名,学号,所在团队的名称。(10‘) (2)每个项目的测试占30分,三个项目总计90分(90‘) (a)列出所选项目的团队信息(5‘) (b)留言截图(5‘) (c)提出项目中的问题,并予以证明(10‘) (d)测试感受,即回答以下 阅读全文

posted @ 2019-12-02 11:37 棽棽 阅读(265) 评论(0) 推荐(0) 编辑

2019年10月19日

摘要: 作业要求 1、作业内容 "系统设计" 2、 评分细则 (1)博客(25') (2)撰写概要设计说明书(15') (3)数据库设计说明书(15') (4)详细设计说明书(15') (5)答辩:(30') 团队第三次作业答辩得分 | 团队名称 | 答辩得分 | | : :| : : | | 六扇门 | 阅读全文

posted @ 2019-10-19 16:52 棽棽 阅读(223) 评论(0) 推荐(0) 编辑

2019年10月17日

摘要: 作业要求 1、作业内容 "结对编程" 2、评分细则 博客评分规则(总分100) (1) 在文章开头给出你们Fork仓库的Github项目地址。(5') (2) 在开始实现程序之前,在下述PSP表格记录下你估计将在程序的各个模块的开发上耗费的时间。(5') (3) 计算模块接口的设计与实现过程。 设计 阅读全文

posted @ 2019-10-17 17:06 棽棽 阅读(238) 评论(0) 推荐(0) 编辑

2019年9月15日

摘要: 一、作业题目 "第一次阅读作业" 二、分值分配说明 1、建立博客并介绍自己 20分 博客内容中有“介绍自己”部分,则起始分数为18分,根据内容详细程度酌情增加1 2分。 2、阅读与思考 30分 每个大问题各10分,大问题中的小问题平分10分的分值。每个小问题根据回答质量酌情给分(每个小问题最低分不会 阅读全文

posted @ 2019-09-15 23:52 棽棽 阅读(326) 评论(0) 推荐(0) 编辑

2019年6月2日

摘要: (1)概念 池化层,缓解卷积层对位置的过度敏感性。 同卷积层一样,池化层对输入数据的一个固定形状的窗口(池化窗口)中的元素计算输出,从左上方开始,从左至右,从上至下,依次在输入数据上滑动。池化层计算池化窗口内元素的最大值或平均值,分别叫做最大池化和平均池化。 如下图,最大池化, (2)填充和步幅 同 阅读全文

posted @ 2019-06-02 15:45 棽棽 阅读(490) 评论(0) 推荐(0) 编辑

摘要: 1、二维互相关运算 在二维卷积层中,一个二维输入数组和一个二维核数组通过互相关运算输出一个二维数组;核数组在卷积运算中又称卷积核、过滤器、卷积窗口;输出形状取决于卷积核和输入的形状 如,二维输入数组(3X3)与二维核数组(2X2)互相关运算,产生结果是一个二维数组(2X2),卷积核按照从左往右,从上 阅读全文

posted @ 2019-06-02 15:24 棽棽 阅读(1024) 评论(0) 推荐(1) 编辑

2019年5月28日

摘要: 1、训练误差和泛化误差 训练误差:训练集上表现出的误差 泛化误差:在任意测试样本上表现出的误差的期望 模型训练的目的就是降低泛化误差 2、模型选择及K折交叉验证 验证数据集:在实际训练模型的过程中,不能依据训练误差估计泛化误差,不能只依靠训练数据来选择模型,因此需要在原始数据集中预留一部分在训练数据 阅读全文

posted @ 2019-05-28 11:20 棽棽 阅读(199) 评论(0) 推荐(0) 编辑

摘要: 1、隐藏层 多层感知机在单层神经网络中引入了一到多个隐藏层,隐藏层位于输入层和输出层之间 输入层特征数为4个,输出层标签类别为3,隐藏单元5个,输入层不涉及计算,多层感知机层数为2 隐藏层中神经元和输入层中各个输入完全连接,输出层神经元与隐藏层神经元完全连接,因此全连接层有两个:输出层和隐藏层 假设 阅读全文

posted @ 2019-05-28 09:21 棽棽 阅读(2462) 评论(0) 推荐(0) 编辑

2019年5月21日

摘要: 1、适用情景当模型需要输出图像类别这样的离散值时,可以使用包括softmax在内的分类模型。softmax回归即在输出中采用了softmax运算,使运算结果更适合离散值的训练和预测。2、softmax模型假设输入特征为x1、x2、x3、x4,根据输入特征判断图片类别为O1、O2、O3,权重为带下标的 阅读全文

posted @ 2019-05-21 09:34 棽棽 阅读(327) 评论(0) 推荐(0) 编辑