如何用經典網路訓練

❶ 怎麼將網路語言與經典有機結合起來

要講網路語言進行創新和經典有機的結合起來。
網路語言，是網路時代的產物，可以有所創新，但也要融入我們一脈相承的文化血脈當中。否則，網路語言也終將只會曇花一現，難以發揮更大的作用。
要做到這些，對個人來說，學會獨立思考，訓練自己的語言邏輯，十分重要；對社會來說，創造一個鼓勵多元化表達的環境和氛圍，引導大家多讀經典之作，用大家喜聞樂見的形式介紹優秀傳統文化，這些也都將為網路語言注入新的活力。
因此，對於網路語言，沒有必要一味地排斥，畢竟它是網路時代的產物，簡單、直接地表達也是順應了互聯網時代的發展趨勢，它的產生不是偶然的，而是在一定的社會土壤之上成長出來的。
同互聯網一樣，網路語言也是新興事物，也需要更多引導，讓它走在正確軌道上，便能為人類的發展做出積極的貢獻。網路語言是一種文化表現形式，我們期待它能涌現出更多擁有正能量的流行語，豐富人類的語言體系，為人類文明的長河做有益的注腳。

❷ 深度神經網路是如何訓練的

Coursera的Ng機器學習，UFLDL都看過。沒記錯的話Ng的機器學習里是直接給出公式了，雖然你可能知道如何求解，但是即使不知道完成作業也不是問題，只要照著公式寫就行。反正我當時看的時候心裡並沒能比較清楚的明白。我覺得想了解深度學習UFLDL教程 - Ufldl是不錯的。有習題，做完的話確實會對深度學習有更加深刻的理解，但是總還不是很清晰。後來看了Li FeiFei的Stanford University CS231n: Convolutional Neural Networks for Visual Recognition，我的感覺是對CNN的理解有了很大的提升。沉下心來推推公式，多思考，明白了反向傳播本質上是鏈式法則(雖然之前也知道，但是當時還是理解的迷迷糊糊的)。所有的梯度其實都是對最終的loss進行求導得到的，也就是標量對矩陣or向量的求導。當然同時也學到了許多其他的關於cnn的。並且建議你不僅要完成練習，最好能自己也寫一個cnn，這個過程可能會讓你學習到許多更加細節和可能忽略的東西。這樣的網路可以使用中間層構建出多層的抽象，正如我們在布爾線路中做的那樣。例如，如果我們在進行視覺模式識別，那麼在第一層的神經元可能學會識別邊，在第二層的神經元可以在邊的基礎上學會識別出更加復雜的形狀，例如三角形或者矩形。第三層將能夠識別更加復雜的形狀。依此類推。這些多層的抽象看起來能夠賦予深度網路一種學習解決復雜模式識別問題的能力。然後，正如線路的示例中看到的那樣，存在著理論上的研究結果告訴我們深度網路在本質上比淺層網路更加強大。

❸ 深度學習之卷積神經網路經典模型

LeNet-5模型 在CNN的應用中，文字識別系統所用的LeNet-5模型是非常經典的模型。LeNet-5模型是1998年，Yann LeCun教授提出的，它是第一個成功大規模應用在手寫數字識別問題的卷積神經網路，在MNIST數據集中的正確率可以高達99.2%。

下面詳細介紹一下LeNet-5模型工作的原理。
LeNet-5模型一共有7層，每層包含眾多參數，也就是卷積神經網路中的參數。雖然層數只有7層，這在如今龐大的神經網路中可是說是非常少的了，但是包含了卷積層，池化層，全連接層，可謂麻雀雖小五臟俱全了。為了方便，我們把卷積層稱為C層，下采樣層叫做下采樣層。
首先，輸入層輸入原始圖像，原始圖像被處理成32×32個像素點的值。然後，後面的隱層計在卷積和子抽樣之間交替進行。C1層是卷積層，包含了六個特徵圖。每個映射也就是28x28個神經元。卷積核可以是5x5的十字形，這28×28個神經元共享卷積核權值參數，通過卷積運算，原始信號特徵增強，同時也降低了雜訊，當卷積核不同時，提取到圖像中的特徵不同；C2層是一個池化層，池化層的功能在上文已經介紹過了，它將局部像素值平均化來實現子抽樣。
池化層包含了六個特徵映射，每個映射的像素值為14x14，這樣的池化層非常重要，可以在一定程度上保證網路的特徵被提取，同時運算量也大大降低，減少了網路結構過擬合的風險。因為卷積層與池化層是交替出現的，所以隱藏層的第三層又是一個卷積層，第二個卷積層由16個特徵映射構成，每個特徵映射用於加權和計算的卷積核為10x10的。第四個隱藏層，也就是第二個池化層同樣包含16個特徵映射，每個特徵映射中所用的卷積核是5x5的。第五個隱藏層是用5x5的卷積核進行運算，包含了120個神經元，也是這個網路中卷積運算的最後一層。
之後的第六層便是全連接層，包含了84個特徵圖。全連接層中對輸入進行點積之後加入偏置，然後經過一個激活函數傳輸給輸出層的神經元。最後一層，也就是第七層，為了得到輸出向量，設置了十個神經元來進行分類，相當於輸出一個包含十個元素的一維數組，向量中的十個元素即0到9。
AlexNet模型
AlexNet簡介
2012年Imagenet圖像識別大賽中，Alext提出的alexnet網路模型一鳴驚人，引爆了神經網路的應用熱潮，並且贏得了2012屆圖像識別大賽的冠軍，這也使得卷積神經網路真正意義上成為圖像處理上的核心演算法。上文介紹的LeNet-5出現在上個世紀，雖然是經典，但是迫於種種復雜的現實場景限制，只能在一些領域應用。不過，隨著SVM等手工設計的特徵的飛速發展，LeNet-5並沒有形成很大的應用狀況。隨著ReLU與dropout的提出，以及GPU帶來算力突破和互聯網時代大數據的爆發，卷積神經網路帶來歷史的突破，AlexNet的提出讓深度學習走上人工智慧的最前端。
圖像預處理
AlexNet的訓練數據採用ImageNet的子集中的ILSVRC2010數據集，包含了1000類，共1.2百萬的訓練圖像，50000張驗證集，150000張測試集。在進行網路訓練之前我們要對數據集圖片進行預處理。首先我們要將不同解析度的圖片全部變成256x256規格的圖像，變換方法是將圖片的短邊縮放到 256像素值，然後截取長邊的中間位置的256個像素值，得到256x256大小的圖像。除了對圖片大小進行預處理，還需要對圖片減均值，一般圖像均是由RGB三原色構成，均值按RGB三分量分別求得，由此可以更加突出圖片的特徵，更方便後面的計算。
此外，對了保證訓練的效果，我們仍需對訓練數據進行更為嚴苛的處理。在256x256大小的圖像中，截取227x227大小的圖像，在此之後對圖片取鏡像，這樣就使得原始數據增加了（256-224）x（256-224）x2= 2048倍。最後對RGB空間做PCA，然後對主成分做（0,0.1）的高斯擾動，結果使錯誤率下降1%。對測試數據而言，抽取以圖像4個角落的大小為224224的圖像，中心的224224大小的圖像以及它們的鏡像翻轉圖像，這樣便可以獲得10張圖像，我們便可以利用softmax進行預測，對所有預測取平均作為最終的分類結果。
ReLU激活函數
之前我們提到常用的非線性的激活函數是sigmoid，它能夠把輸入的連續實值全部確定在0和1之間。但是這帶來一個問題，當一個負數的絕對值很大時，那麼輸出就是0；如果是絕對值非常大的正數，輸出就是1。這就會出現飽和的現象，飽和現象中神經元的梯度會變得特別小，這樣必然會使得網路的學習更加困難。此外，sigmoid的output的值並不是0為均值，因為這會導致上一層輸出的非0均值信號會直接輸入到後一層的神經元上。所以AlexNet模型提出了ReLU函數，公式：f(x)=max(0,x)f(x)=max(0,x)。

用ReLU代替了Sigmoid，發現使用 ReLU 得到的SGD的收斂速度會比 sigmoid快很多，這成了AlexNet模型的優勢之一。
Dropout
AlexNet模型提出了一個有效的模型組合方式，相比於單模型，只需要多花費一倍的時間，這種方式就做Dropout。在整個神經網路中，隨機選取一半的神經元將它們的輸出變成0。這種方式使得網路關閉了部分神經元，減少了過擬合現象。同時訓練的迭代次數也得以增加。當時一個GTX580 GPU只有3GB內存，這使得大規模的運算成為不可能。但是，隨著硬體水平的發展，當時的GPU已經可以實現並行計算了，並行計算之後兩塊GPU可以互相通信傳輸數據，這樣的方式充分利用了GPU資源，所以模型設計利用兩個GPU並行運算，大大提高了運算效率。
模型分析

AlexNet模型共有8層結構，其中前5層為卷積層，其中前兩個卷積層和第五個卷積層有池化層，其他卷積層沒有。後面3層為全連接層，神經元約有六十五萬個，所需要訓練的參數約六千萬個。
圖片預處理過後，進過第一個卷積層C1之後，原始的圖像也就變成了55x55的像素大小，此時一共有96個通道。模型分為上下兩塊是為了方便GPU運算，48作為通道數目更加適合GPU的並行運算。上圖的模型里把48層直接變成了一個面，這使得模型看上去更像一個立方體，大小為55x55x48。在後面的第二個卷積層C2中，卷積核的尺寸為5x5x48，由此再次進行卷積運算。在C1，C2卷積層的卷積運算之後，都會有一個池化層，使得提取特徵之後的特徵圖像素值大大減小，方便了運算，也使得特徵更加明顯。而第三層的卷積層C3又是更加特殊了。第三層卷積層做了通道的合並，將之前兩個通道的數據再次合並起來，這是一種串接操作。第三層後，由於串接，通道數變成256。全卷積的卷積核尺寸也就變成了13×13×25613×13×256。一個有4096個這樣尺寸的卷積核分別對輸入圖像做4096次的全卷積操作，最後的結果就是一個列向量，一共有4096個數。這也就是最後的輸出，但是AlexNet最終是要分1000個類，所以通過第八層，也就是全連接的第三層，由此得到1000個類輸出。
Alexnet網路中各個層發揮了不同的作用，ReLU，多個CPU是為了提高訓練速度，重疊pool池化是為了提高精度，且不容易產生過擬合，局部歸一化響應是為了提高精度，而數據增益與dropout是為了減少過擬合。
VGG net
在ILSVRC-2014中，牛津大學的視覺幾何組提出的VGGNet模型在定位任務第一名和分類任務第一名[[i]]。如今在計算機視覺領域，卷積神經網路的良好效果深得廣大開發者的喜歡，並且上文提到的AlexNet模型擁有更好的效果，所以廣大從業者學習者試圖將其改進以獲得更好地效果。而後來很多人經過驗證認為，AlexNet模型中所謂的局部歸一化響應浪費了計算資源，但是對性能卻沒有很大的提升。VGG的實質是AlexNet結構的增強版，它側重強調卷積神經網路設計中的深度。將卷積層的深度提升到了19層，並且在當年的ImageNet大賽中的定位問題中獲得了第一名的好成績。整個網路向人們證明了我們是可以用很小的卷積核取得很好地效果，前提是我們要把網路的層數加深，這也論證了我們要想提高整個神經網路的模型效果，一個較為有效的方法便是將它的深度加深，雖然計算量會大大提高，但是整個復雜度也上升了，更能解決復雜的問題。雖然VGG網路已經誕生好幾年了，但是很多其他網路上效果並不是很好地情況下，VGG有時候還能夠發揮它的優勢，讓人有意想不到的收獲。

與AlexNet網路非常類似，VGG共有五個卷積層，並且每個卷積層之後都有一個池化層。當時在ImageNet大賽中，作者分別嘗試了六種網路結構。這六種結構大致相同，只是層數不同，少則11層，多達19層。網路結構的輸入是大小為224*224的RGB圖像，最終將分類結果輸出。當然，在輸入網路時，圖片要進行預處理。
VGG網路相比AlexNet網路，在網路的深度以及寬度上做了一定的拓展，具體的卷積運算還是與AlexNet網路類似。我們主要說明一下VGG網路所做的改進。第一點，由於很多研究者發現歸一化層的效果並不是很好，而且佔用了大量的計算資源，所以在VGG網路中作者取消了歸一化層；第二點，VGG網路用了更小的3x3的卷積核，而兩個連續的3x3的卷積核相當於5x5的感受野，由此類推，三個3x3的連續的卷積核也就相當於7x7的感受野。這樣的變化使得參數量更小，節省了計算資源，將資源留給後面的更深層次的網路。第三點是VGG網路中的池化層特徵池化核改為了2x2，而在AlexNet網路中池化核為3x3。這三點改進無疑是使得整個參數運算量下降，這樣我們在有限的計算平台上能夠獲得更多的資源留給更深層的網路。由於層數較多，卷積核比較小，這樣使得整個網路的特徵提取效果很好。其實由於VGG的層數較多，所以計算量還是相當大的，卷積層比較多成了它最顯著的特點。另外，VGG網路的拓展性能比較突出，結構比較簡潔，所以它的遷移性能比較好，遷移到其他數據集的時候泛化性能好。到現在為止，VGG網路還經常被用來提出特徵。所以當現在很多較新的模型效果不好時，使用VGG可能會解決這些問題。
GoogleNet
谷歌於2014年Imagenet挑戰賽（ILSVRC14）憑借GoogleNet再次斬獲第一名。這個通過增加了神經網路的深度和寬度獲得了更好地效果，在此過程中保證了計算資源的不變。這個網路論證了加大深度，寬度以及訓練數據的增加是現有深度學習獲得更好效果的主要方式。但是增加尺寸可能會帶來過擬合的問題，因為深度與寬度的加深必然會帶來過量的參數。此外，增加網路尺寸也帶來了對計算資源侵佔過多的缺點。為了保證計算資源充分利用的前提下去提高整個模型的性能，作者使用了Inception模型，這個模型在下圖中有展示，可以看出這個有點像金字塔的模型在寬度上使用並聯的不同大小的卷積核，增加了卷積核的輸出寬度。因為使用了較大尺度的卷積核增加了參數。使用了1*1的卷積核就是為了使得參數的數量最少。

Inception模塊
上圖表格為網路分析圖，第一行為卷積層，輸入為224×224×3 ，卷積核為7x7，步長為2，padding為3，輸出的維度為112×112×64，這裡面的7x7卷積使用了 7×1 然後 1×7 的方式，這樣便有(7+7)×64×3=2,688個參數。第二行為池化層，卷積核為3×33×3，滑動步長為2，padding為 1 ，輸出維度：56×56×64，計算方式：1/2×(112+2×1?3+1)=56。第三行，第四行與第一行，第二行類似。第 5 行 Inception mole中分為4條支線，輸入均為上層產生的 28×28×192 結果：第 1 部分，1×1 卷積層，輸出大小為28×28×64；第 2 部分，先1×1卷積層，輸出大小為28×28×96，作為輸入進行3×3卷積層，輸出大小為28×28×128；第 3部分，先1×1卷積層，輸出大小為28×28×32，作為輸入進行3×3卷積層，輸出大小為28×28×32；而第3 部分3×3的池化層，輸出大小為輸出大小為28×28×32。第5行的Inception mole會對上面是個結果的輸出結果並聯，由此增加網路寬度。
ResNet
2015年ImageNet大賽中，MSRA何凱明團隊的ResialNetworks力壓群雄，在ImageNet的諸多領域的比賽中上均獲得了第一名的好成績，而且這篇關於ResNet的論文Deep Resial Learning for Image Recognition也獲得了CVPR2016的最佳論文，實至而名歸。
上文介紹了的VGG以及GoogleNet都是增加了卷積神經網路的深度來獲得更好效果，也讓人們明白了網路的深度與廣度決定了訓練的效果。但是，與此同時，寬度與深度加深的同時，效果實際會慢慢變差。也就是說模型的層次加深，錯誤率提高了。模型的深度加深，以一定的錯誤率來換取學習能力的增強。但是深層的神經網路模型犧牲了大量的計算資源，學習能力提高的同時不應當產生比淺層神經網路更高的錯誤率。這個現象的產生主要是因為隨著神經網路的層數增加，梯度消失的現象就越來越明顯。所以為了解決這個問題，作者提出了一個深度殘差網路的結構Resial：

上圖就是殘差網路的基本結構，可以看出其實是增加了一個恆等映射，將原本的變換函數H(x)轉換成了F(x)+x。示意圖中可以很明顯看出來整個網路的變化，這樣網路不再是簡單的堆疊結構，這樣的話便很好地解決了由於網路層數增加而帶來的梯度原來越不明顯的問題。所以這時候網路可以做得很深，到目前為止，網路的層數都可以上千層，而能夠保證很好地效果。並且，這樣的簡單疊加並沒有給網路增加額外的參數跟計算量，同時也提高了網路訓練的效果與效率。
在比賽中，為了證明自己觀點是正確的，作者控制變數地設計幾個實驗。首先作者構建了兩個plain網路，這兩個網路分別為18層跟34層，隨後作者又設計了兩個殘差網路，層數也是分別為18層和34層。然後對這四個模型進行控制變數的實驗觀察數據量的變化。下圖便是實驗結果。實驗中，在plain網路上觀測到明顯的退化現象。實驗結果也表明，在殘差網路上，34層的效果明顯要好於18層的效果，足以證明殘差網路隨著層數增加性能也是增加的。不僅如此，殘差網路的在更深層的結構上收斂性能也有明顯的提升，整個實驗大為成功。

除此之外，作者還做了關於shortcut方式的實驗，如果殘差網路模塊的輸入輸出維度不一致，我們如果要使維度統一，必須要對維數較少的進行増維。而增維的最好效果是用0來填充。不過實驗數據顯示三者差距很小，所以線性投影並不是特別需要。使用0來填充維度同時也保證了模型的復雜度控制在比較低的情況下。
隨著實驗的深入，作者又提出了更深的殘差模塊。這種模型減少了各個層的參數量，將資源留給更深層數的模型，在保證復雜度很低的情況下，模型也沒有出現梯度消失很明顯的情況，因此目前模型最高可達1202層，錯誤率仍然控製得很低。但是層數如此之多也帶來了過擬合的現象，不過諸多研究者仍在改進之中，畢竟此時的ResNet已經相對於其他模型在性能上遙遙領先了。
殘差網路的精髓便是shortcut。從一個角度來看，也可以解讀為多種路徑組合的一個網路。如下圖：

ResNet可以做到很深，但是從上圖中可以體會到，當網路很深，也就是層數很多時，數據傳輸的路徑其實相對比較固定。我們似乎也可以將其理解為一個多人投票系統，大多數梯度都分布在論文中所謂的effective path上。
DenseNet
在Resnet模型之後，有人試圖對ResNet模型進行改進，由此便誕生了ResNeXt模型。

這是對上面介紹的ResNet模型結合了GoogleNet中的inception模塊思想，相比於Resnet來說更加有效。隨後，誕生了DenseNet模型，它直接將所有的模塊連接起來，整個模型更加簡單粗暴。稠密相連成了它的主要特點。

我們將DenseNet與ResNet相比較:

從上圖中可以看出，相比於ResNet，DenseNet參數量明顯減少很多，效果也更加優越，只是DenseNet需要消耗更多的內存。
總結
上面介紹了卷積神經網路發展史上比較著名的一些模型，這些模型非常經典，也各有優勢。在算力不斷增強的現在，各種新的網路訓練的效率以及效果也在逐漸提高。從收斂速度上看，VGG>Inception>DenseNet>ResNet,從泛化能力來看，Inception>DenseNet=ResNet>VGG，從運算量看來，Inception<DenseNet< ResNet<VGG，從內存開銷來看，Inception<ResNet< DenseNet<VGG。在本次研究中，我們對各個模型均進行了分析，但從效果來看，ResNet效果是最好的，優於Inception，優於VGG，所以我們第四章實驗中主要採用谷歌的Inception模型，也就是GoogleNet。

❹ 如何利用網路知識幫助自己的學習

1、利用網路豐富的資訊來拓展自己的知識面。

互聯網資訊的無窮無盡無疑給了我們很好的積累知識的一個非常好的途徑，只要同學們善於發現，那麼從互聯網當中同學們是可以學到很多新鮮知識的，這對於同學們拓展知識面存在時神助攻。

比如說，在我們看微博的時候，那些熱點新聞就可以輕松獲取。在我們閱讀簡書，閱讀微信公眾號文章的時候，那些優秀的文章幾乎是源源不斷的，從這些優秀文章的閱讀當中，同學們是可以學到很多東西的，積累起豐富的寫作素材的。

2、利用網路精準的搜索功能可以找到我們想要的學習資源。

如果在線下，我們要想去找到我們想要的學習資源，哪怕自己學校里，自己身邊有，也非常麻煩，一系列手續，找老師和同學借，這似乎並不是什麼方便的事情。更何況，很多時候，我們找到的結果是沒有。

而網路則很好的解決了這個問題，通過網路搜索功能，基本上就可以找到我們想要的學習資源。比如說，以前我們要想看看那些優秀的滿分作文，尤其是最新的作文，那麼基本上只有去實體書店購買這個途徑，而且還不一定買得到。但是網路就可以很好的幫助我們解決這個問題，通過網路搜索，可以輕松的找到。

3、網路當中那些專業的學習APP可以讓我們的高中學習變得更加的輕松。

也許網路上的諸多文章都存在權威問題，但打開我們的手機，那些正規的學習一類的APP就可以大大的提高我們的學習效率，解決我們很多的問題。

就以單詞記憶為例，同學們可以輕松找到一些專業的單詞記憶軟體，通過他們科學的編排，和記憶技巧，同學們往往就能夠更好的去記憶單詞，也許，原本需要花費幾倍的精力去背誦，現在一倍就夠了。

(4)如何用經典網路訓練擴展閱讀

利用網路環境開展學生自主性學習，讓學生的「自主」喚醒和激發主動參與的意識，訓練掌握認知策略，發揮選擇性、能動性、積極性和創造性。

1、網路環境下基於游戲的自主學習

基於游戲的自主學習，是針對學生在教師指導下，以游戲方式開展的自主學習模式。由於學生的生理、心理特點，他們對游戲有著特別的愛好，在游戲環境中，他們能快樂地進行學習而不容易產生厭學情緒。多媒體和網路技術由於能提供界面友好，形象直觀的互動式學習環境，有利於激發學生的自主學習興趣。

同時，它還能提供圖、文、聲、像並茂的多種感官綜合刺激，更有利於情景創設和大量知識的獲取，為學生營造快樂的學習環境提供了理想的條件。但由於學生自主選擇能力和判斷能力還不是很強，所以在學習過程中需要教師給予必要的引導。

讓學生從生活經驗和已有知識背景出發，使學生們都融合進角色之中，在快樂的游戲中掌握知識，訓練技能，了解方法，培養情感。

2、網路環境下創建基於任務的自主學習

針對學生的自主學習能力培養，不能「全權」下放， "袖手旁觀"，照搬成人的學習模式，而是要充分發揮教師的引導作用，合理利用網路資源。我們的具體做法是，給學生提出明確的學習任務和應達到的學習目標，並指導學生利用上網查詢、人機交互等方式，讓學生在不斷克服困難中完成任務。

網路環境中有著海量的信息，教師與學生擁有信息的機會是均等的，更多的時候，學生了解掌握的信息可能比教師還要多。教師逐步失去了以往佔有教學信息資源的優勢，不可能再依賴現成的教參把有限的知識和所謂的標准答案傳授給學生。

教師的任務將轉變為如何引導學生在信息的海洋中篩選、獲取有用的信息，培養學生敏感地捕捉信息並進行有效地分析、判斷、整理、歸納、評估、加工、傳遞和創新的信息加工處理能力。所以，教師可以將所學習的知識分解成若干小問題，讓學生帶著問題通過搜索引擎或相關的網站全方位、多角度地找出答案，完成任務。

輸入關鍵詞通過搜索引擎檢索到的相關網頁資料可能會多達數百上千條，這是教參望塵莫及的。教師充分利用網路技術開展教學，能沖破課本的束縛，在學生面前展開廣闊的學習空間，從而提高學生學習的效果。

3、網路環境下創建基於協作的自主

在網路環境下，可以很方便地展開豐富多彩的教學活動，來培養學生的群體意識、群體活動能力以及競爭和合作能力。學生們之間可以不用直接面對，而是教師通過網路把分散在課堂中的學生鏈接成小組性的學習團體。他們利用網路來傳遞聲音、文本、圖象等各種符號，加強互相交流的目的。

促進學生的個性化發展。調動學生的參與積極性、主動性。讓每一個小組成員都非常認真地學習、探尋，然後根據自己的搜索結果，談談自己的操作方法，短短幾十分鍾的一堂課中，每個學生都數次甚至數十次地發表自己的見解。

每個問題討論到最後，教師在根據學生的回答，有選擇地加以分析，表達自己的觀點。這種沒有標准答案的協作式自主學習，對培養學生的創造性思維會起到重要的作用。

4、網路環境下基於個性化的自主學習

個性化自主學習是網路環境下最重要的學習，最能體現學生的學習主體地位，實現學生自主學習的意願。學生可以按照自己的需要選擇學習內容，可以按照合自己的特點選擇學習方法，可以按照自己的時間安排學習的進度，可以按照自己的能力選擇學習內容的深度。

我們都清楚，學生學習過程中的背景知識、學習能力、認知風格都有差異。而在傳統的講授式課堂教學中，教師普遍存在著無暇顧及學生接受能力存在差異的現象，按照「一刀切」的方式進行教學，效果不盡人意。隨著校園網路的進一步普及，計算機的交互性解決了這一問題。

我們在推進教育信息化的過程中，做到在校園網、多媒體電化教室、多功能電子網路教室的應用，充分考慮滿足學生自主學習的需要。當學生不滿足於教師的課堂教學現狀時，當老師應付不了學生大量的、集中的、同時的又是個別的學習需要時，提供必要的條件讓學生可以根據自己的興趣、能力來選擇運用信息技術滿足自身的學習需要。

例如，可以調用教學資源中的各種素材，如文本、動畫、視頻、圖片、教師個人網站、資料庫等，以鞏固學習的內容，解決學習的疑惑，了解不同的觀點，掌握不同的方法。根據需要，教師也可以自己設計、製作課件，發到伺服器終端共享，以實施對學生面廣量大的指導。

❺ 如何訓練一個簡單的分類卷積神經網路

卷積神經網路有以下幾種應用可供研究：
1、基於卷積網路的形狀識別
物體的形狀是人的視覺系統分析和識別物體的基礎，幾何形狀是物體的本質特徵的表現，並具有平移、縮放和旋轉不變等特點，所以在模式識別領域，對於形狀的分析和識別具有十分重要的意義，而二維圖像作為三維圖像的特例以及組成部分，因此二維圖像的識別是三維圖像識別的基礎。
2、基於卷積網路的人臉檢測
卷積神經網路與傳統的人臉檢測方法不同，它是通過直接作用於輸入樣本，用樣本來訓練網路並最終實現檢測任務的。它是非參數型的人臉檢測方法，可以省去傳統方法中建模、參數估計以及參數檢驗、重建模型等的一系列復雜過程。本文針對圖像中任意大小、位置、姿勢、方向、膚色、面部表情和光照條件的人臉。
3、文字識別系統
在經典的模式識別中，一般是事先提取特徵。提取諸多特徵後，要對這些特徵進行相關性分析，找到最能代表字元的特徵，去掉對分類無關和自相關的特徵。然而，這些特徵的提取太過依賴人的經驗和主觀意識，提取到的特徵的不同對分類性能影響很大，甚至提取的特徵的順序也會影響最後的分類性能。同時，圖像預處理的好壞也會影響到提取的特徵。

❻ 談一下你如何利用網路 練習/提高 英語口語

http://..com/q?word=%C8%E7%BA%CE%CC%E1%B8%DF%D3%A2%D3%EF%BF%DA%D3%EF%C4%DC%C1%A6&ct=17&pn=0&tn=ikaslist&rn=10
相信對你會有所幫助!

當代社會是個開放社會，信息社會，人們越來越重視交際，而我國改革開放的成功也日益提高了我國在世界上的地位，我們與世界各國交流的領域越來越廣了，沒有出眾的英語口語表達將會寸步難行。
而要提高英語口語表達能力，就要先了解英語口語表達的過程是怎樣發生的。大家知道，語言是思維的外殼。口語表達的過程，實際上是一個復雜的心理和生理過程，是思維藉助詞語按一定句式迅速轉換為有聲言語的過程。因此，口語能力的強弱取決於：
1、思維能力的強弱，特別是與口語有關的思維的條理性、敏銳性與靈活性，這是關鍵。
2、准確、迅速地組織言語（選詞、造句、組段、構篇）能力的強弱，這是基礎。
3、運用語言的能力的強弱，這是前提。
根據口語表達循序漸進的一般規律，口語訓練的重點應是培養敏銳的思維和強烈的語感。具體包括：
1、語音。學會科學發聲方法，能用准確、響亮、流暢的英語進行口頭表達。
2、語調。能藉助聲音高低升降、抑揚頓挫的變化來表達復雜的感情，掌握停連和輕重、抑揚和明暗、快慢和松緊等一般的朗讀技巧。
3、詞彙。能掌握比較豐富的口語詞彙。
4、語脈。說話能做到有條有理、語言流暢、上下貫通、一脈相承。
5、語境。說話注意目的、對象、場合，合乎規定情景的要求，講禮貌、有針對性。懂得口語修辭。在會話中有隨機應變的能力。
此外，還要懂得口頭言語的輔助手段－－ 表情、姿勢、 動作等態勢言語的運用。
由於書面語和口語是相互滲透、相互促進的，為提高口語的表現力，可在說話訓練之前先進行一章朗讀、朗誦訓練。聽和說是一個事物的兩個方面，吸收、表達兩者不能偏廢，所以口語訓練體系中也應包括。通過以上訓練，掌握一定的朗讀朗誦技巧，培養准確、流利、有感情地朗讀朗誦一般作品的能力，特別注意培養強烈的語感。
3、聽力訓練
培養聽的注意力、理解力、記憶力和辨析力，提高聽知能力，養成良好的聽的習慣。
4、口語表達基本方式訓練
進行敘述、描述、評述、解說等口語表達基本方式的訓練，培養內部言語向外部言語迅速轉化的能力，結合進行語調、語脈的訓練。
5、會話型言語訓練
言語形式有會話型和獨白型兩類。會話是指兩個以上的人圍繞一個或幾個話題一起說話的形式，如交談、座談、辯論、審訊等。會話時參加者是互為聽、講者的，因此後面的發言常常受到前面發言的制約。另外，由於當面交談，大量態勢語代替了言語表達，會話者的言語結構往往不嚴謹、不完善，省略句較多。
可進行如下訓練：通過交談和辯論兩種會話言語訓練，了解它們的一般特點、注意事項，結合進行應變能力和禮貌用語的訓練，從而在會話中有效地培養隨機應變的能力。
6、獨白型言語訓練
獨白是指一個人單獨發言而其他人都作為聽眾的言語表達形式，如：講故事、作報告、講課、演講、講解員的解說等。獨白言語一般不在進行過程中跟聽眾問答交流，因此要求在事先要周密地了解聽眾的要求並系統地組織好發言內容和有關態勢語。獨白是一種高層次的言語形式。
可通過講故事和演講兩種獨白言語的訓練，了解它們的一般特點、注意事項，結合進行運用態勢語的訓練，這類訓練很有利於培養思維的條理性和連貫性。
7、即興小品訓練
即興小品要求表演者按照規定的題目和要求，在規定的時間內，充分發揮自己的想像，不用或少用道具，通過言語和動作的表演，展現社會生活中的某個瞬間或片斷，表達一個簡單的主題。
嚴格地說，小品應該是話劇藝術表演訓練的一種形式，但由於它具有綜合的特點，對訓練思維的創造性、敏捷性、條理性、言語表達的准確性、形象性、流暢性，以及應變力，乃至姿勢的綜合運用等等，都有很大的好處，所以我們要想英語口語表達能力更上一個層次，這種形式的訓練也要加以採用。
懂得了英語口語表達的規律，並不等於就有了一口流暢的英語表達口才，就好象讀了介紹游泳的書並不等於一定會游泳一樣，關鍵還是要在長期的時實踐中持之以恆地艱苦磨練。這種訓練不同於我們平時常聽常說的那種日常英語口語訓練。日常的英語口語訓練與之相比簡單得多，所用的詞彙量及話題所涉及的深度都是相當有限的。而真正高層次的英語口語交際所需達到的流暢性、條理性、敏銳性和靈活性並不是常練一些日常用語就能達到的，其中用到的詞彙量也因話題的深入和多樣而大大增加了。
所以，要想真正地提高英語口語，說一口流利而又有水平的交際英語，得有對英語口語表達感興趣作為前提，懂得以上的規律，重視運用以上的訓練步驟，加上長期的艱苦訓練，才會有成效，才會達到目的。聽力訓練，當然，在訓練過程中，聽和說是無法截然分開的。
因此，英語口語訓練體系可按以下順序安排：
1、語音訓練
在學習英語語音知識的基礎上加強語音訓練，進行方音辨正練習。通過學習，打好英語語音知識，有一定的辨音能力，能用英語正確、清楚、響亮地表達。
2、朗讀朗誦訓練
進行呼吸、發聲與共鳴訓練，吐字納音的訓練，以及各種朗讀朗誦技巧的訓練，學會常用文體的朗讀、朗誦，懂得在朗誦中恰當使用態勢語

❼ 如何讓利用神經網路進行預測，怎麼在進行訓練之後，怎麼看出訓練模型的好壞如何進行評判

可以用MATLAB神經網路工具箱，先提取樣本，用mapminmax函數歸一化，再newff函數建立網路，設置好訓練參數後，使用train函數訓練，最後用sim函數看預測結果。

在訓練過程中，有一個performance可以觀察，它的訓練目標就是你設置的goal。在訓練過程中，它會自動分出一部分樣本作為validation驗證，可以保證不過擬合。具體要評價效果還是應該看最後預測的精度。

附件是一個BP預測的實例。