颜色分类leetcode我的CS231n Winter2016作业解决方案。这是我对CS231n Winter2016的三个作业的解决方案。是一门经典课程，它教你通过python包numpy在Cifar10数据集上实现、训练和调试你自己的神经网络。完成作业后，您可以深入了解机器学习和计算机视觉问题的前沿研究。

注意：如果您查阅我的源代码，希望将其合并到您的算法或系统中，您应该在代码中清楚地引用参考文献。

目录：

  1. 了解基本的图像分类管道和数据驱动方法（训练/预测阶段）

  2. 了解训练/验证/测试分割以及验证数据用于超参数调整的使用。

  3. 熟练使用numpy编写高效的矢量化代码。

  4. 实现并应用k-最近邻(kNN)分类器。

  5. 实现并应用多类支持向量机(SVM)分类器。

  6. 实现并应用Softmax分类器。

  7. 实现并应用两层神经网络分类器。

  8. 了解这些分类器之间的差异和权衡。

  9. 通过使用比原始像素更高级别的表示（例如颜色直方图、梯度直方图(HOG)特征）来获得对性能改进的基本了解。

  10. 了解神经网络及其在分层架构中的排列方式。

  11. 理解并能够实现（矢量化）反向传播。

  12. 实现用于优化神经网络的各种更新。