唠点什么
最后一次实训了，做完就是成功，嘿嘿嘿
注意：本博客仅供参考！！！
第一关：什么是神经网络
1、全连接网络包含输入层、隐藏层和输出层
A、对
B、错
A
2、层数较多的神经网络为深层神经网络
A、对
B、错
A
3、ReLU(11)=11
A、对
B、错
A
4、下列说法错误的是
A、用深层神经网络实现想要的功能就是深度学习
B、神经网络的灵感来自于人类大脑的神经系统的构成
C、含有1层隐藏层的神经网络称之为深层神经网络
C
第二关：反向传播
1、反向传播主要是为了计算参数对损失函数的梯度？
A、对
B、错
A
2、梯度下降是一种迭代更新的算法？
A、对
B、错
A
3、神经网络的训练过程只有前向传播过程？
A、对
B、错
B
第三关：动手实现CNN识别手写数字
任务描述
本关任务：编写 Python 代码动手搭建 CNN 模型实现手写数字识别。
编程要求
填写 python 代码，在 Begin-End 段中构建出如下结构的卷积神经网络：
·64 个 55 的卷积核组成的卷积层，激活函数为 relu；
·最大池化层，池化核大小为 22；
·扁平；
·128 个神经元的全连接层，激活函数为 relu；
·10 个神经元的全连接层，激活函数为 softmax。
测试说明
只需按要求构建模型即可，程序内部会使用你所构建的模型进行训练与预测，当预测准确率高于 95% 时，视为过关。
代码
from keras.models import Sequential
from keras.layers import Conv2D, MaxPool2D, Flatten, Dense
import numpy as np
# 设置随机种子
np.random.seed(1447)
def build_model():
'''
在Begin-End段中构建出如下结构的卷积神经网络
1.64个5*5的卷积核组成的卷积层，激活函数为relu
2.最大池化层，池化核大小为2*2
3.扁平
4.128个神经元的全连接层，激活函数为relu
5.10个神经元的全连接层，激活函数为softmax
:return: 构建好的模型
'''
model = Sequential()
model.add(Conv2D(32, (5, 5), activation='relu', input_shape=[28, 28, 1]))
#********* Begin *********#
model.add(Conv2D(64, (5, 5), activation='relu'))
model.add(MaxPool2D(pool_size=(2, 2)))
model.add(Flatten())
model.add(Dense(128, activation='relu'))
model.add(Dense(10, activation='softmax'))
#********* End *********#
return model
第四关：动手实现RNN分析影评情感
任务描述
本关任务：编写 Python 代码动手搭建 RNN 模型实现影评情感分析。
编程要求
填写 python 代码，在 Begin-End 段中构建出如下结构的循环神经网络：
·有 30 个神经元的 SimpleRNN 层；
·有 16 个神经元的全连接层，激活函数为 relu；
·有 1 个神经元的全连接层，激活函数为 sigmoid。
测试说明
只需按要求构建模型即可，程序内部会使用你所构建的模型进行训练与预测，当预测准确率高于 70% 时，视为过关。
PS:由于数据较大，执行时间可能比较长，请耐心等待。
代码
from keras.models import Sequential
from keras.layers import Embedding, SimpleRNN, Dense
def build_model():
'''
在Begin-End段中构建如下结构的循环神经网络
1.有30个神经元的SimpleRNN层
2.有16个神经元的全连接层，激活函数为relu
3.有1个神经元的全连接层，激活函数为sigmoid
:return: 构建好的模型
'''
model = Sequential()
model.add(Embedding(1000, 64))
#********* Begin *********#
model.add(SimpleRNN(40))
model.add(Dense(1, activation='sigmoid'))
#********* End *********#
return model