资源描述：
《脑与认知科学导论课程报告要求》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。
1、《脑与认知科学导论》课程实验报告要求实验网址：https://cs.stanford.edu/people/karpathy/convnetjs/demo/cifar10.html实验要求：1）加载预训练CNN网络，观察其物体识别效果以及每层的中间结果，分析CNN与人脑视觉信息加工机制的异同2）设计一个新的CNN网络结构并对其进行训练，观察新网络的物体识别能力随时间变化的情况，分析网络结构改变对物体识别能力的影响请同学们在12月18号考试前发到助教邮箱：lhl0796@mail.ustc.edu.cn附
2、录ConvNetJS代码介绍网络层输入层：{type:'input',out_sx:24,out_sy:24,out_depth:3}#输入为24*24*3的RGB图片type:层类型out_sx:输入的x维度out_sy:输入的y维度out_depth：通道数（channel）卷积层:{type:'conv',sx:3,sy:4,pad:1,filters:10,stride:1,activation:'relu'}type:层类型sx：卷积核尺寸，若没有设置sy，则卷积核大小为sx*sxsy：可不予
3、设置，若设置，卷积核大小为sx*sypad：对于无法卷积的边界部分进行补零，若不设置pad，默认pad=0，即不进行补零操作filters：卷积层的输出通道数stride：步长，卷积核移动步长activation：激活函数（有：’sigmoid’,’tanh’,’relu’等），可不予设置若卷积层输入为W1xH1xD1，输出为W2xH2xD2，则满足：W2=(W1-sx+pad*2)/stride+1H2=(H1-sy+pad*2)/stride+1D2=filters池化层：{type:'pool',
4、sx:2,pad:1,stride:2}type：层类型sx：池化窗口大小sx*sxpad：补零，同卷积层stride：步长，池化窗口移动步长若池化层输入为W1xH1xD1，输出为W2xH2xD2，则满足：W2=(W1-sx+pad*2)/stride+1H2=(H1-sx+pad*2)/stride+1D2=D1全连接层:{type:'fc',num_neurons:10,activation:'sigmoid',drop_prob:0.5}type:层类型num_neurons：全连接神经元个数ac
5、tivation:激活函数（有：’sigmoid’,’tanh’,’relu’等），可不予设置drop_prob:dropout比例（表示每次迭代扔掉的神经元比例，有利于防止过拟合），可不予设置分类层:{type:'softmax',num_classes:2}type:层类型，分类可选‘softmax’,‘svm’等num_classes：分类个数LocalContrastNormalizationLayer：{type:'lrn',k:1,n:3,alpha:0.1,beta:0.75}局部归一化，
6、类似BatchNormalization层，有利于防止网络过拟合模型构建与训练模型构建：layer_defs=[];layer_defs.push（网络层）layer_defs.push（网络层）#搭建网络…………#创建并编译网络net=newconvnetjs.Net();net.makeLayers(layer_defs);训练：trainer=newconvnetjs.Trainer(net,{method:'sgd',learning_rate:0.01,l2_decay:0.001,momen
7、tum:0.9,batch_size:10,l1_decay:0.001});method：优化器，有‘sgd’，‘windowgrad’，‘adadelta’，'nesterov','adagrad'等learning_rate：学习率l2_decay：L2正则化系数momentum：‘sgd’优化器的动量系数，其他优化器没有这一项batch_size：批数据个数l1_decay：L1正则化系数更多详细内容及解释请查阅https://cs.stanford.edu/people/karpathy/co
8、nvnetjs/docs.html
