CS231n（3）：课程作业# 2简介

在本作业中，你将练习编写反向传播代码，训练神经网络和卷积神经网络。本作业的目标如下：

• 理解神经网络及其分层结构。
• 理解并实现（向量化）反向传播。
• 实现多个用于神经网络最优化的更新方法。
• 实现用于训练深度网络的批量归一化（ batch normalization ）。
• 实现随机失活（dropout）。
• 进行高效的交叉验证并为神经网络结构找到最好的超参数。

• 理解卷积神经网络的结构，并积累在数据集上训练此类模型的经验。

提交作业

无论你是在云终端还是在本地完成作业，一旦完成作业，就运行collectSubmission.sh脚本；这样将会产生一个assignment2.zip的文件，然后将这个文件上传到你的dropbox中这门课的作业页面。

Q1：全连接神经网络（30分）

IPython Notebook文件FullyConnectedNets.ipynb将会向你介绍我们的模块化设计，然后使用不同的层来构建任意深度的全连接网络。为了对模型进行最优化，还需要实现几个常用的更新方法。

Q2：批量归一化（30分）

在IPython Notebook文件BatchNormalization.ipynb中，你需要实现批量归一化，然后将其应用于深度全连接网络的训练中。

Q3：随机失活（Dropout）（10分）

IPython Notebook文件Dropout.ipynb将会帮助你需要实现随机失活，然后在模型泛化中检查它的效果。

Q4：在CIFAR-10上运行卷积神经网络（30分）

在IPython Notebook文件ConvolutionalNetworks.ipynb中，你将实现几个卷积神经网络中常用的新的层。你将在CIFAR-10上训练一个深度较浅的卷积神经网络，然后由你决定竭尽所能地训练处一个最好网络。

Q5：做点儿其他的！（+10分）

在训练网络的过程中，为了得到更好的结果，你可以自由实现任何想法。你可以修改训练器（solver），实现额外的层，使用不同的正则化方法，使用模型集成，或者任何其它你想到的东西。如果你实现了作业要求以外的内容，那么将得到加分。

全文完。