解决方案的分类依据颜色：我于2016年冬季在CS231n课程中的分配

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 了解基本的图像分类管道和数据驱动方法（训练/预测阶段） 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。 熟练使用 numpy 编写高效的矢量化代码 实现并应用 k-最近邻 (kNN) 分类器 实现并应用多类支持向量机 (SVM) 分类器 实现并应用 Softmax 分类器 实现并应用两层神经网络分类器 了解这些分类器之间的差异和权衡 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 了解神经网络及其在分层架构中的排列方式 理解并能够实现（矢量化）反向传播 实现用于优化神经网络的各种更新