山东大学人工智能导论实验四 利用神经网络分类红色和蓝色的花_山东大学人工智能导论实验报告

先自我介绍一下，小编浙江大学毕业，去过华为、字节跳动等大厂，目前阿里P7

深知大多数程序员，想要提升技能，往往是自己摸索成长，但自己不成体系的自学效果低效又漫长，而且极易碰到天花板技术停滞不前！

因此收集整理了一份《2024年最新Golang全套学习资料》，初衷也很简单，就是希望能够帮助到想自学提升又不知道该从何学起的朋友。

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，涵盖了95%以上Go语言开发知识点，真正体系化！

由于文件比较多，这里只是将部分目录截图出来，全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频，并且后续会持续更新

如果你需要这些资料，可以添加V获取：vip1024b （备注go）

正文

定义模型结构

初始化模型的参数

循环

计算当前损失（前向传播），请使用Relu激活函数。

计算当前梯度（反向传播）

更新参数（梯度下降）

【文档要求】

1.对比使用逻辑回归和使用具有1层隐藏层神经网络的分类效果（请粘贴2种方法分类效果图），哪种效果更好，分析原因。

2.调整隐藏层大小（至少5种大小），观察不同大小隐藏层的模型的不同表现，请粘贴分类效果图，当隐藏层过大或过小时，会出现什么问题，并分析原因。

---

【实验目标】

1. 建立具有隐藏层的完整神经网络
2. 善用非线性单位
3. 实现正向传播和反向传播，并训练神经网络
4. 了解不同隐藏层大小（包括过度拟合）的影响

【实验内容】

利用具有1层隐藏层的神经网络分类红色和蓝色的花。参考1 和 参考2

【数据集介绍】

2分类数据集flower，红色和蓝色点的“花”。使用X, Y = planar_utils.load_planar_dataset()加载数据集，X为样本，共有400个，Y为样本对应的标签，0表示红色，1表示蓝色。

【代码要求】

1. 定义模型结构

2. 初始化模型的参数

3. 循环

• 计算当前损失（前向传播），请使用Relu激活函数。

• 计算当前梯度（反向传播）

• 更新参数（梯度下降）

【文档要求】

（本次实验我采用jupyter notebook进行实验）

1.对比使用逻辑回归和使用具有1层隐藏层神经网络的分类效果（请粘贴2种方法分类效果图），哪种效果更好，分析原因。

逻辑回归的分类效果如下：

但是训练的准确性只有47%，可能是数据集不是线性可分的，所以逻辑回归表现不佳

数据集里面的数据有：400 个

第  0  次循环，成本为：0.6931475438458983

第  1000  次循环，成本为：0.6394767951130161

第  2000  次循环，成本为：0.6371669009459804

第  3000  次循环，成本为：0.6359841052167607

第  4000  次循环，成本为：0.635215112310812

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化的资料的朋友，可以添加V获取：vip1024b （备注Go）

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！
8ZoGlOwe-1713213848973)]

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！