任務(wù)1：使用神經(jīng)網(wǎng)絡(luò)完成服飾圖像分類1.1任務(wù)知識-感知機(jī)任務(wù)導(dǎo)入任務(wù)目標(biāo)任務(wù)導(dǎo)學(xué)任務(wù)知識點(diǎn)工作任務(wù)1.任務(wù)導(dǎo)入任務(wù)導(dǎo)入人工神經(jīng)元是模擬人類神經(jīng)元的計算單元，用于構(gòu)建人工神經(jīng)網(wǎng)絡(luò)（ANN），是人工智能領(lǐng)域中的基本組件之一。Fashion-MNIST是一個經(jīng)典的機(jī)器學(xué)習(xí)數(shù)據(jù)集，用于圖像分類任務(wù)，包含了來自10個不同類別的服飾。本任務(wù)搭建一個人工神經(jīng)網(wǎng)絡(luò)，使用Fashion-MNIST數(shù)據(jù)集進(jìn)行訓(xùn)練，完成服飾的分類任務(wù)。2.任務(wù)目標(biāo)知識目標(biāo)

了解人工神經(jīng)元和人工神經(jīng)網(wǎng)絡(luò)（ANN）的基本概念了解多層感知機(jī)模型了解全連接神經(jīng)網(wǎng)絡(luò)理解激活函數(shù)的原理理解損失函數(shù)的作用和優(yōu)化方法能力目標(biāo)能使構(gòu)建多層感知機(jī)模型能使用構(gòu)建全連接神經(jīng)網(wǎng)絡(luò)能完成模型的訓(xùn)練拓展能力

比較不同的激活函數(shù)和損失函數(shù)、優(yōu)化器對分類結(jié)果的影響能進(jìn)行模型調(diào)優(yōu)和超參數(shù)搜索拓展能力知識任務(wù)目標(biāo)3.任務(wù)導(dǎo)學(xué)人工神經(jīng)網(wǎng)絡(luò)（ArtificialNeuralNetwork，ANN）是一種計算模型，靈感來源于生物神經(jīng)系統(tǒng)。神經(jīng)元通常被組織成多層結(jié)構(gòu)，包括輸入層、隱藏層和輸出層。每個神經(jīng)元接收來自前一層神經(jīng)元的輸入，并將加權(quán)和傳遞給下一層。神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程通常涉及使用反向傳播算法來調(diào)整連接權(quán)重，以最小化預(yù)測輸出與實際輸出之間的誤差

什么是人工神經(jīng)網(wǎng)絡(luò)定義結(jié)構(gòu)用途訓(xùn)練人工神經(jīng)網(wǎng)絡(luò)在各種領(lǐng)域中都有廣泛的應(yīng)用，包括圖像識別、語音識別、自然語言處理、預(yù)測和決策等4.任務(wù)知識感知器感知器是一種最簡單的人工神經(jīng)網(wǎng)絡(luò)模型，它由一個單層的神經(jīng)元組成用于二元分類任務(wù)。感知器接收多個輸入，每個輸入都與一個權(quán)重相關(guān)聯(lián)，然后對輸入進(jìn)行加權(quán)求和，并將結(jié)果傳遞給一個激活函數(shù)。激活函數(shù)通常是階躍函數(shù)，根據(jù)加權(quán)和求和的結(jié)果是否超過某個閾值來輸出一個二元值（0或1），表示兩個類別中的其中一個。4.任務(wù)知識感知器的作用實際上定義了一個邊界超平面，這個超平面隨著w和b的改變而改變，感知器可以學(xué)習(xí)將輸入空間分割成兩個不同的區(qū)域，從而實現(xiàn)二元分類任務(wù)。4.任務(wù)知識多層感知器多層感知機(jī)（Multi-LayerPerceptron，MLP）是一種基于前饋神經(jīng)網(wǎng)絡(luò)的機(jī)器學(xué)習(xí)模型。它由多個神經(jīng)網(wǎng)絡(luò)層組成，每個層都由多個神經(jīng)元組成，這些神經(jīng)元通常分為輸入層、隱藏層和輸出層。4.任務(wù)知識輸入層輸出層隱藏層接收原始輸入數(shù)據(jù)，并將其傳遞給下一層；隱藏層，中間層，用于從輸入數(shù)據(jù)中提取特征和模式。輸出層，產(chǎn)生模型的最終輸出隱藏層的神經(jīng)元通過連接與前一層的神經(jīng)元通信，并使用激活函數(shù)將加權(quán)和傳遞給下一層多層感知器多層感知器結(jié)構(gòu)4.任務(wù)知識多層感知器特點(diǎn)優(yōu)點(diǎn)是簡單且易于實現(xiàn)，但是多層感知器的輸出是非0即1的值，并不能反映模型訓(xùn)練的漸進(jìn)過程，但它只能解決線性可分問題。并且對于非線性可分問題可能會產(chǎn)生收斂不到最優(yōu)解的情況。所以需要引入非線性激活函數(shù)，克服感知器的這些局限性，并成為處理更復(fù)雜任務(wù)的有效工具。激活函數(shù)引入非線性特性可以實現(xiàn)復(fù)雜的映射關(guān)系也被用于限制輸出范圍還可以緩解梯度消失問題增強(qiáng)網(wǎng)絡(luò)的表達(dá)能力4.任務(wù)知識常用激活函數(shù)Sigmoid函數(shù)，將輸入值映射到一個在0到1之間的連續(xù)區(qū)間，輸出值介于0和1之間，它的輸出值可以被視為概率值，因此常用于二元分類問題。4.任務(wù)知識常用激活函數(shù)ReLU函數(shù)，同時在各種預(yù)測任務(wù)中表現(xiàn)良好。ReLU提供了一種非常簡單的非線性變換。ReLU函數(shù)在輸入大于0時返回輸入值本身，否則返回0。它的優(yōu)點(diǎn)是計算簡單，且在實踐中通常表現(xiàn)良好。它還可以緩解梯度消失問題，并加速網(wǎng)絡(luò)的收斂速度。4.任務(wù)知識常用激活函數(shù)Tanh函數(shù)（雙曲正切函數(shù)）：與sigmoid函數(shù)類似，tanh(雙曲正切)函數(shù)也能將其輸入壓縮轉(zhuǎn)換到區(qū)間(-1,1)上它與Sigmoid函數(shù)類似，但是輸出范圍更廣，且均值為0，訓(xùn)練速度相對快4.任務(wù)知識常用激活函數(shù)Softmax函數(shù)通常用于多類別分類問題，它將神經(jīng)網(wǎng)絡(luò)的原始輸出轉(zhuǎn)換為一個概率分布，使得輸出的各個類別之間的概率總和為1。Softmax函數(shù)將多個輸出轉(zhuǎn)換