1、脑与认知科学导论课程实验报告要求实验网址：https:/cs.stanford.edu/people/karpathy/convnetjs/demo/cifar10.html实验要求：1）加载预训练 CNN网络，观察其物体识别效果以及每层的中间结果，分析 CNN与人脑视觉信息加工机制的异同2）设计一个新的 CNN网络结构并对其进行训练，观察新网络的物体识别能力随时间变化的情况，分析网络结构改变对物体识别能力的影响请同学们在 12月 18号考试前发到助教邮箱：附录 ConvNetJS代码介绍网络层输入层：type: input, out_sx:24, out_sy:24, out_depth:3
2、 #输入为 24*24*3的 RGB图片type:层类型out_sx:输入的 x维度out_sy:输入的 y维度out_depth：通道数（channel）卷积层:type:conv,sx:3,sy:4,pad:1, filters:10, stride:1, activation:relutype:层类型sx：卷积核尺寸，若没有设置 sy，则卷积核大小为 sx*sxsy：可不予设置，若设置，卷积核大小为 sx*sypad：对于无法卷积的边界部分进行补零，若不设置 pad，默认 pad=0，即不进行补零操作filters：卷积层的输出通道数stride：步长，卷积核移动步长activation
3、：激活函数（有：sigmoid,tanh,relu等） ，可不予设置若卷积层输入为 W1xH1xD1，输出为 W2xH2xD2，则满足：W2 = (W1 - sx + pad*2)/stride + 1H2 = (H1 - sy + pad*2)/stride + 1D2 = filters池化层：type:pool, sx:2, pad:1, stride:2type：层类型sx：池化窗口大小 sx*sxpad：补零，同卷积层stride：步长，池化窗口移动步长若池化层输入为 W1xH1xD1，输出为 W2xH2xD2，则满足：W2 = (W1 - sx + pad*2)/stride +
4、1H2 = (H1 - sx + pad*2)/stride + 1D2 = D1全连接层:type:fc, num_neurons:10, activation:sigmoid, drop_prob: 0.5type:层类型num_neurons：全连接神经元个数activation:激活函数（有：sigmoid,tanh,relu等） ，可不予设置drop_prob: dropout比例（表示每次迭代扔掉的神经元比例，有利于防止过拟合） ，可不予设置分类层:type:softmax, num_classes:2type:层类型，分类可选 softmax, svm等num_classes：分
5、类个数Local Contrast Normalization Layer：type:lrn, k:1, n:3, alpha:0.1, beta:0.75局部归一化，类似 BatchNormalization层，有利于防止网络过拟合模型构建与训练模型构建：layer_defs = ;layer_defs.push（网络层） layer_defs.push（网络层） #搭建网络#创建并编译网络net = new convnetjs.Net();net.makeLayers(layer_defs);训练：trainer = new convnetjs.Trainer(net, method: s
6、gd, learning_rate: 0.01,l2_decay: 0.001, momentum: 0.9, batch_size: 10, l1_decay: 0.001);method：优化器，有sgd，windowgrad，adadelta，nesterov, adagrad等learning_rate：学习率l2_decay：L2 正则化系数momentum：sgd优化器的动量系数，其他优化器没有这一项batch_size：批数据个数l1_decay：L1 正则化系数更多详细内容及解释请查阅https:/cs.stanford.edu/people/karpathy/convnetjs/docs.html
