# 深度学习课程

**Repository Path**: jiaqinglin/in-depth-learning-courses

## Basic Information

- **Project Name**: 深度学习课程
- **Description**: 课程作业
- **Primary Language**: Python
- **License**: MulanPSL-2.0
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 1
- **Forks**: 0
- **Created**: 2022-12-31
- **Last Updated**: 2023-12-28

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# 实验环境

* Python==3.6.13
* Pytorch==1.8.1+cu111
* Torchvision==0.9.1+cu102
* Windows 11 NVIDIA GeForce GTX 1650 Ti
* Cuda==11.1

# 数据集

* MINIST
* Cifar-10
* 数据集使用的是torch的数据集，下载以及处理都已经放在代码里了

# 运行方式

## 任务一，搭建模型

1. 直接运行minist_model.py文件可以得到训练和测试结果，模型是三种循环神经网络，RNN、LSTM和GRU
2. 收敛结果使用numpy的格式存储，可以调用绘图软件进行绘制查看

## 任务二，参数调优

1. 实验使用的代码文件为cifar_gru.py，参数设置等在代码文件中，可以更改参数进行训练和测试
2. 同样的，结果以numpy的格式存储。

## 任务三，改进模型

1. 实验使用的主要代码文件为cnn_gru_new.py，直接运行即可得到训练和测试结果，参数可以修改
2. 对比实验使用的代码文件为cnn.py和gru.py

# 实验结果

## 任务完成图表

| 任务   |  完成结果 |
| :----- | :---- |
| 搭建模型| 实验使用pytorch自带模型进行搭建模型，分别在数据集MINIST和Cifar-10实现循环神经网络 |
| 参数调优 | 实验使用了GRU模型在数据集Cifar-10上的应用，分别调整参数学习率和隐藏层神经元个数，<br>并对结果进行了分析，分析结果可见实验报告 |
| 改进模型 | 实验针对GRU模型在Cifar-10上的不良表现，从提取模型各自优点的猜想出发，对模型进行了<br>改进，最终通过对比实验的方式获得了改进模型的优良表现，并对未来的应用提出了猜想 |

## 任务完成图例

1. 任务一搭建网络在MINIST上的收敛特性<br>
![minist_epoch_4.png](./minist_epoch_4.png)
2. 任务二修改参数隐藏层神经元数量对于收敛特性的影响<br>
![Cifar-10_gru_hiddensize.png](./Cifar-10_gru_hiddensize.png)
3. 任务二修改参数学习率对于收敛特性的影响<br>
![Cifar-10_gru_learnrate.png](./Cifar-10_gru_learnrate.png)
4. 任务三改进GRU的收敛特性<br>
![cnn_gru.png](./cnn_gru.png)