实现手写数字分类

目录

实验2-1-基于三层神经网络实现手写数字分类

1. 实验目的

2. 实验环境

3. 实验内容和步骤

实验2-2-基于 DLP 平台实现手写数字分类

1. 实验目的

---

实验2-1-基于三层神经网络实现手写数字分类

1. 实验目的

    掌握神经网络的设计原理，熟练掌握神经网络的训练和使用方法，能够使用 Python 语言实现一个三层全连接神经网络模型对手写数字分类的训练和使用。

a) 实现三层神经网络模型进行手写数字分类，建立一个简单而完整的神经网络工程。 
   通过本实验理解神经网络中基本模块的作用和模块间的关系，为后续建立更复杂的神经网络实验(如风格迁移)奠定基础。
b) 利用高级编程语言 Python 实现神经网络基本单元的前向传播(正向传播)和反向传播计算，
   加深对神经网络中基本单元的理解，包括全连接层、激活函数、损失函数等基 本单元。
c) 利用高级编程语言 Python 实现神经网络构建，以及训练神经网络所使用的梯度下降算法，加深对神经网络训练过程的理解。

2. 实验环境

   硬件环境：CPU。

   软件环境：Python 编译环境及相关的扩展库，包括 Python 2.7.9，Pillow 3.4.2，SciPy 0.18.1，NumPy 1.11.2(本实验不需使用 TensorFlow 等深度学习框架)。

   数据集　：MNIST 手写数字库。该数据集包含一个训练集和一个测试集，其中训练集有 60000 个样本，测试集有 10000 个样本。

　　　　　　每个样本都由灰度图像(即单通道图像)及其 标记组成，图像大小为 28 × 28。MNIST 数据集包含 4 个文件，

　　　　　　分别是训练集图像、训练集 标记、测试集图像、测试集标记。下载地址为http://yann.lecun.com/exdb/mnist/。

   

3. 实验内容和步骤

1. 环境申请      略

2. 代码实现 补全 stu_upload 中的 layer_1.py、mnist_mlu_cpu.py文件。

3. 运行实验

实验2-2-基于 DLP 平台实现手写数字分类

1. 实验目的

    熟悉深度学习处理器 DLP 平台的使用，能使用已封装好的 Python 接口的机器学习编 程库 pycnml 将第2.1节的神经网络推断部分移植到 DLP 平台，实现手写数字分类。

a) 利用提供 pycnml 库中的 Python 接口搭建手写数字分类的三层神经网络。
b) 熟悉在 DLP 上运行神经网络的流程，为在后续章节详细学习 DLP 高性能库以及智能编程语言打下基础。
c) 与第2.1节的实验进行比较，了解 DLP 相对于 CPU 的优势和劣势

github地址