实验训练

本实验报告涵盖五个深度学习实验，探索深度学习环境搭建、数据处理、模型构建与评估等关键环节。 实验一：深度学习环境配置 搭建深度学习实验环境，安装必要软件和库（如Python、TensorFlow、PyTorch等）。 测试环境配置，确保软硬件协同工作。 实验二：特征数据集制作和PR曲线 利用公开数据集或自行收集数据，进行数据清洗、特征提取和标注等预处理操作。 划分训练集、验证集和测试集，并生成PR曲线评估模型性能。 实验三：线性回归及拟合 构建线性回归模型，学习输入特征与目标变量之间的线性关系。 使用梯度下降等优化算法训练模型，并分析模型的拟合效果。 实验四：卷积神经网络应用 构建卷积神经网络（CNN）模型，应用于图像分类、目标检测等计算机视觉任务。 探讨不同网络结构、参数设置对模型性能的影响。 实验五：生成对抗式网络应用 构建生成对抗式网络（GAN）模型，学习数据分布并生成逼真的样本。 探索GAN在图像生成、风格迁移等领域的应用。 每个实验均包含详细的代码实现和结果分析，展示了深度学习技术在不同场景下的应用。

训练包，包含有用的训练资料。

利用卡方检验，再次筛选特征词，降低维度至 1000 维。 采用 K 折交叉验证评估分类器性能。StratifiedKFold 用于将数据集分成 n_folds 份，分别进行验证和训练，并计算平均分类准确率作为性能指标。

基于实验1创建的汽车用品网上商城数据库Shopping，练习Insert、Delete、TRUNCATE TABLE、Update语句的操作方法，理解单记录插入与批量插入、DELETE与TRUNCATE TABLE语句、单表修改与多表修改的区别。本实验分为三个部分：插入数据（实验3-1）、删除数据（实验3-2）和修改数据（实验3-3），涉及Autoparts（汽车配件表）、category（商品类别表）、Client（用户表）、Clientkind（用户类别表）、shoppingcart（购物车表）、Order（订单表）、order_has_Autoparts（订单明细表）和Comment（评论表）。实验3-1插入数据包括单记录插入和带SELECT的批量插入，插入后通过SELECT语句验证。

PyTorch 平台上的深度学习模型，用于图像超分辨率：FSRCNN 包含网络模型、训练代码、测试代码、评估代码和预训练权重 评估代码可计算 RGB 和 YCrCb 空间下的 PSNR 和 SSIM

提供适用于FastText文本分类训练的高质量数据集。

Oracle基础训练，涵盖最基础的要点，掌握后即可入门。

级联训练器是一个交互式应用程序，管理图像列表中矩形ROI的选择和定位，用于设定训练算法的基础标签，并创建全新的级联分类器。该工具支持添加、删除、旋转、排序图像，以及粘贴ROI到一系列图像中的新功能。用户可以通过键盘快捷键简化操作，方便训练检测器和多ROI的选择与管理。

在当时的培训过程中，老师每天为我们安排了一些练习，效果非常显著。

提供详尽的ORACLE技能培训，涵盖多方面内容。