手动实现神经网络：CIFAR-10数据集分类与参数调整

本实验是山东大学软件学院机器学习课程的一次实践任务，由学生傅显坤于2020年11月20日完成。实验主题是“神经网络学习”，要求使用CIFAR-10数据集，这是一个包含50000张训练样本和10000张测试样本的图像识别数据集，每个样本为32x32像素的彩色照片，共10个类别。实验限制条件非常严格，不允许使用TensorFlow等高级深度学习框架或库函数，所有的神经网络模型和算法都需要从头实现。 实验的主要目标有两点： 1. 通过自定义的神经网络结构（包括输入层、隐藏层和输出层，输入层有32x32x3个神经元，隐藏层有50个神经元，输出层对应10个类别），对CIFAR-10数据集进行图像分类。学生需要设计并实现前向传播和反向传播算法，以计算损失函数并优化模型。此外，他们还需要绘制训练过程中的损失图，以及在测试集上的精度表现。 2. 作为额外的任务，学生被鼓励尝试调整隐藏层神经元的数量、网络层数、学习率以及正则化权重等关键参数，以观察这些参数变化对模型性能的影响。这旨在让学生理解参数调整对模型泛化能力和复杂性的影响，从而提升模型的性能。 这个实验不仅要求理论知识的运用，还锻炼了学生的编程技能、问题解决能力以及对深度学习基础的理解。通过手动构建和调试神经网络，学生能够深入理解神经网络的工作原理，同时提升数据处理和模型优化的能力。