【WHUT】*实验报告*《人工智能概论》大作业2 人工神经网络实验报告

1. 完成的实验内容 完成了MNIST手写体识别实验。 2. 实验方式 在华为云ModelArts平台上运行此实验。 使用MindSpore深度学习框架实现一个简单的图片分类实验，整体流程如下： 1、 处理需要的数据集，这里使用了MNIST数据集。 2、 定义一个网络，这里我们使用LeNet网络。 3、 定义损失函数和优化器。 4、 加载数据集并进行训练，训练完成后，查看结果及保存模型文件。 5、 加载保存的模型，进行推理。 6、 验证模型，加载测试数据集和训练后的模型，验证结果精度。 3. 代金券消耗情况 这篇实验报告是关于《人工智能概论》课程的大作业2，主要涉及人工神经网络的应用，具体是MNIST手写体识别实验。实验在华为云ModelArts平台上进行，使用了MindSpore深度学习框架。以下是对实验内容的详细解析： 1. **MNIST手写体识别**：MNIST数据集是一个广泛使用的图像识别数据集，包含大量的手写数字图像，用于训练和测试图像分类算法。在这个实验中，MNIST数据集被用来训练和验证神经网络模型的性能，以识别手写数字。 2. **MindSpore深度学习框架**：MindSpore是由华为开发的开源深度学习框架，它支持灵活的计算图编排，旨在简化AI模型的开发和训练过程。在这个实验中，MindSpore被用来构建、训练和评估神经网络模型。 3. **LeNet网络**：LeNet是一种经典的卷积神经网络（CNN），由Yann LeCun等人提出，常用于图像分类任务。在MNIST手写体识别中，LeNet因其结构简单且效果良好而被选用。 4. **实验流程**： - **数据预处理**：对MNIST数据集进行必要的预处理，包括数据加载、归一化等步骤，以便输入到神经网络中。 - **网络定义**：定义LeNet网络结构，包括卷积层、池化层、全连接层等，以捕捉图像特征。 - **损失函数与优化器**：选择合适的损失函数（如交叉熵）来衡量模型预测与真实标签之间的差异，以及优化器（如梯度下降或Adam）来更新网络权重。 - **训练模型**：将预处理的数据输入到网络中进行训练，调整模型参数以最小化损失函数。 - **模型保存**：训练完成后，保存模型文件以备后续推理使用。 - **模型推理**：加载训练好的模型，对新的手写数字图像进行预测。 - **模型验证**：使用独立的测试数据集评估模型的准确性和泛化能力。 5. **代金券消耗**：实验过程中，使用了93.24元的代金券，剩余406.76元。具体使用情况可参考提供的截图。 6. **问题与解决方案**：在创建MindSpore实验环境时遇到问题，通过参考额外的教程和实验手册，成功搭建了ModelArts的开发环境。 7. **实验收获**：通过本次实验，作者不仅了解了深度学习框架的使用，还实际操作了云平台环境的搭建，深化了对人工智能特别是深度学习的理解。此外，学习了数据增强、损失函数和优化器等理论知识。 8. **建议**：实验手册提供了清晰的指导，帮助理解实验内容，对于初学者非常友好。 这个实验涵盖了深度学习的基本流程，从数据预处理到模型训练、验证，为学生提供了一个实战平台，加深了他们对人工智能和深度学习技术的掌握。