《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 ： lhl0796@mail.ustc.edu.cn 

附录 ConvNetJS 代码介绍 网络层 输入层： {type: 'input', out_sx:24, out_sy:24, out_depth:3} #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:'relu'} type:层类型 sx：卷积核尺寸，若没有设置 sy，则卷积核大小为 sx*sx sy：可不予设置，若设置，卷积核大小为 sx*sy pad：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：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 + 1 H2 = (H1 - sy + pad*2)/stride + 1 D2 = filters 池化层： {type:'pool', sx:2, pad:1, stride:2} type：层类型 sx：池化窗口大小 sx*sx pad：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 + 1 H2 = (H1 - sx + pad*2)/stride + 1 D2 = D1 全连接层: {type:'fc', num_neurons:10, activation:'sigmoid', drop_prob: 0.5} type: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:2} type:层类型，分类可选 ‘softmax’, ‘svm’等 num_classes：分类个数 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: 'sgd', 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