案例一：Softmax 实现手写数字识别
PYTHON作业代做 本次案例中，你需要用 python 实现 Softmax 回归方法，用于 MNIST 手写数字数据集分类任务。你需要完成前向传播和反向传播算法。前向传播算法中，你需要实现 Softmax 函数和交叉熵损失函数的计算。反向传播算法中，你需要实现参数梯度、局部敏感度的计算
一、 简介 PYTHON作业代做
本次案例中，你需要用 python 实现 Softmax 回归方法，用于 MNIST 手写数字数据集分类任务。你需要完成前向传播和反向传播算法。
前向传播算法中，你需要实现 Softmax 函数和交叉熵损失函数的计算。
反向传播算法中，你需要实现参数梯度、局部敏感度的计算，并按照随机梯度下降法来更新参数。
具体计算方法可自行推导，或参照第三章课件。
二、 MNIST 数据集 PYTHON作业代做
MNIST 手写数字数据集是机器学习领域中广泛使用的图像分类数据集。它包含 60,000 个训练样本和 10,000 个测试样本。这些数字已进行尺寸规格化，并在固定尺寸的图像中居中。每个样本都是一个 784×1 的矩阵，是从原始的 28×28 灰度图像转换而来的。MNIST 中的数字范围是 0 到 9。下面显示了一些示例。注意：在训练期间，切勿以任何形式使用有关测试样本的信息。
三、 任务要求
- 代码清单
a）data/ 文件夹：存放 MNIST数据集。你需要下载数据，解压后存放于该文件夹下。下载链接见文末，解压后的数据为 *ubyte 形式；
b)py这个文件中实现了训练和测试的流程。建议从这个文件开始阅读代码；
c)py实现了网络模块，可在定义网络体系结构和进行模型训练时使用；
d)py实现了数据加载器，可用于准备数据以进行训练和测试； PYTHON作业代做
e)py实现了 plot_loss_and_acc 函数，该函数可用于绘制损失和准确率曲线；
f)py你需要实现带 momentum 的 SGD 优化器，可用于执行前向和反向传播；
g)layers/fc_layer.py你需要实现全连接层的前向和反向传播，该层将输入向量 x 映射到输出向量 u，其中 u = Wx + b，其中 W 是该层权重，b 是偏置；
h)py你需要实现 softmax_cross_entropy_loss；
i)ipynb完成所有代码后的执行文件，执行训练和测试过程。
2.要求
我们提供了完整的代码框架，你只需要完成 optimizer.py，layers/fc_layer.py，
loss.py 中的 #TODO 部分。你需要提交这三个代码文件和带有结果的
runner.ipynb 并且附一个报告内容包括：
a)记录训练和测试的准确率。画出训练损失和准确率曲线； PYTHON作业代做
b)比较使用和不使用 momentum结果的不同，可以从训练时间，收敛性和准确率等方面讨论差异；
c)调整其他超参数，如学习率，Batchsize等，观察这些超参数如何影响分类性能。写下观察结果并将这些新结果记录在报告中。
四、 其他 PYTHON作业代做
- 注意代码的执行效率，尽量不要使用 for 循环；
- 不要在报告中粘贴很多代码(只能包含关键代码)，对添加的代码作出解释;
- 不要使用任何深度学习框架，如 TensorFlow，Pytorch等；
- 禁止抄袭。
五、 参考
- 数据集下载：http://yann.lecun.com/exdb/mnist/
更多代写：C++编程代写 Budgeting代考 Biology essay代写 ARTS essay代写 argumentative essay论文代写 北美经济学网课代上
