COMP0197 CW11.COMP0197：应用深度学习评估部分1（个人课程）2023-24在Moodle上于2024年3月21日16:00（英国时间）之前提交（可能会更改）介绍
这是两门评估课程中的第一门。这门课程占模块的50%，共有三门独立的任务，对于每个任务，任务脚本需要与其他支持文件一起提交，并且数据不需要单独的书面报告。文件中有超链接供进一步参考。在本文件中文本高亮显示，例如：课程的目的是发展和评估你的能力a）理解技术和深度学习理论和应用背后的科学概念，b）研究相关方法论以及本主题的实现细节，以及c）在Python中开发数值算法和其中一个深度学习库TensorFlow和PyTorch。尽管评估没有强调在编码技能和高级软件开发技术方面，将具备基本的编程知识考虑在内，例如NumPy数组、张量的正确使用——例如，不需要循环、足够的注释和一致的代码格式。高达相关的[20%]
不合格的编程实践可能会被扣分。请勿将本文档用于任何其他目的或与他人共享。课程仍然是伦敦大学学院属性作为教材。您可能有违反知识产权法规的风险和/或学术不端，如果你公布课程的细节或进一步传播。Conda环境和Python包本课程不应使用任何外部代码（无论是否开源）除非指定并安装在下面的conda环境中，否则应使用程序包。这将是在创建的conda环境中，通过在标记的计算机上运行提交的代码进行评估如下对于TensorFlow或PyTorch。确保您的操作系统是最新的，以最大限度地减少潜在风险兼容性问题。
conda create-n comp0197-cw1-tf pillow=10.2 pip=19.3&&conda activate comp0197-cw1-tf&&pip
安装tensorflow==2.13
conda create-n comp0197-cw1-pt-c pytorch python=3.12 pytorch=2.2 torchvision=0.17
类名会突出显示那些应该在提交的代码中找到的强制类。应在您提交的文件中找到的强制性函数的函数名称会突出显示密码任务脚本时在终端上打印消息。可视化与任务脚本一起保存到PNG文件中。[5] ：方括号表示分数，总分为100分，占模块评估的50%。“filepath.ext”：引号表示文件或文件夹的名称。命令：在给定上下文的情况下，在bash或Python终端上运行的命令。COMP0197 CW1
2.在你的课程中使用其中一个，并在提交的文件夹名称中注明“cw1-tf”或“cw1-pt”。使用命令conda list-n comp0197-cw1-xx查看本课程的可用库
（“xx”是“tf”或“pt”）。您可以选择使用TensorFlow或PyTorch，但不能在中同时使用它们这门课程是为了平衡不同任务的难度而设计的。的[100%]
使用外部代码可能会扣减相关分数。工作目录和任务脚本每个任务都应该有代 写COMP0197 一个任务文件夹，分别命名为“task1”、“task2”和“task3”。Python任务脚本应该是一个名为“task.py”的文件，这样当任务文件夹在上述conda环境中用作当前/工作目录：python任务.py个人有责任确保提交的任务脚本能够按照上述规定运行
conda环境。如果使用模块教程、副本或其他自动链接中提供的数据/代码需要提供以确保提交的代码的独立可执行性。需要小心正确使用相对路径，因为这是过去最常见的问题之一。Jupyter不允许使用笔记本文件。如果没有可运行的任务，最高可扣除[100%]的相关分数找到脚本。打印和可视化总结和沟通您的实施情况和量化结果是评估的一部分模块学习结果。每个任务指定要打印的相关信息和消息终端，可包含描述、定量总结和简要备注。打印的信息要求简洁、准确、清晰。
当任务需要可视化结果（通常以图像的形式）时，代码应保存结果转换为各自工作目录中的PNG文件。这些PNG文件应该与代码一起提交，尽管它们也可以由代码生成。请参阅模块存储库中使用的示例枕头请注意，matplotlib不能在任务脚本中使用，但在发展如果不遵守这一规定，可能会扣减相关分数的[50%]。
设计您的代码
突出显示的函数/类/文件/消息（请参阅简介）应位于提交的代码以及任务脚本。如果没有特别要求，您可以自由设计您自己的代码，例如，数据类型、变量、函数、脚本、模块、类和/或额外结果
供讨论。这些将被评估为对您的工作的补充，但不包括设计方面。检查表这是一个列表，可以帮助您在提交之前进行检查。
课程作业将以单个“cw1-xx”文件夹的形式提交，压缩为单个zip文件。
在“cw1-xx”文件夹下，应该有三个子文件夹，“task1”、“task2”和“task3”。? 任务脚本运行时不需要任何额外的文件、数据或自定义路径。? 本文档中颜色编码的所有类和函数都可以在确切的名称中找到。? 检查所有函数/类是否具有指示其用途的简要描述的文档字符串，
以及每个输入参数和输出的数据类型、大小和内容。COMP0197 CW1
任务1线性模型的随机小批量梯度下降实现一个多项式函数polynomial_fon，它接受两个输入参数，一个权重向量??的大小?? + 1和一个输入标量变量??, 并返回函数值. 多项式_乐趣应针对多对标量输入和输出进行矢量化使用TensorFlow/PyThorch中的线性代数模块，实现用于拟合的最小二乘解算器多项式函数fit_polynomial_ls，取?? 对?? 和目标值?? 作为输入，具有指定多项式次数的附加输入自变量??, 并返回最佳权重矢量??在最小二乘意义上，即?
最小化。5.使用TensorFlow/PyTorch中的相关功能/模块，实现随机迷你批量梯度
具有相同输入的多项式函数拟合的下降算法fit_polynomial.sgd与fit_polynomial_ls一样的自变量，还有另外两个输入自变量，学习率和
迷你批量大小。此函数还返回最佳权重向量???. 在培训期间应使用打印消息定期报告损失。5.
?在文件夹“task1”下实现任务脚本“task.py”，执行以下操作：[15]
o使用polynomial_fon(?? = 2.?? = [1,2,3]T)生成训练集和测试集，在分别均匀采样的20对和10对的形式??, ????[-20，20]，以及??. 这个观察?? 通过将高斯噪声（标准偏差为0.5）与??.o使用fit_polynomial_ls(????{2,3,4}）来计算最优权重向量??使用训练套装。对于每个??, 计算预测目标值??所有人?? 在两次训练中
和测试集。o使用打印信息报告两者之间差值a）的平均值（和标准偏差）观察到的训练数据和潜在的“真实”多项式曲线；和b）在
“LS预测”值和潜在的“真实”多项式曲线。
o使用fit_polynomial_sgd(????{2,3,4}）来优化权重向量??使用训练集。对于每个??, 计算预测目标值??所有人?? 在训练和测试集中。使用打印信息报告“SGD预测”值和潜在的“真实”多项式曲线。
将使用这两种方法实现的准确性与基本事实进行比较测试集并报告两者的均方根误差?? 和?? 使用打印
信息。o比较两种方法的速度，并报告在试衣/训练中花费的时间（以秒为单位）使用打印的消息。
?在文件夹“task1”下实现任务脚本“task1a.py”。[10]o实验如何制作?? 一个可学习的模型参数，并使用SGD对此进行优化
灵活的模型。o使用打印信息报告优化的?? 中的值和平均值（以及标准偏差）模型预测值和下面的“真实”多项式曲线之间的差异。
任务2深度可分离卷积就课程而言，数据集仅分为两部分，即训练集和测试集。COMP0197 CW1调整图像分类教程以使用不同的网络VisionTransformer。你可以选择适用于此应用程序的任何配置。