分类算法实践
生物代写 利用深度神经网络完成AGE (angle-closure glaucoma,闭角型青光眼)图像的分类预测 数据介绍:该数据集包含 3200 个图像(AS-OCT 图像),已经将其中 1600 个图像化为训练图像(1134 个作为训练集,466 个作为验证集,或者自行重新划分),训练图像···
深度学习实践 生物代写
- 利用深度神经网络完成AGE (angle-closure glaucoma,闭角型青光眼)图像的分类预测
数据介绍:该数据集包含 3200 个图像(AS-OCT 图像),已经将其中 1600 个图像化为训练图像(1134 个作为训练集,466 个作为验证集,或者自行重新划分),训练图像包含了完整的分类标签;另外 1600 个图像没有分类标签。(数据下载链接)
要求:利用 1600 个训练图像建立深度神经网络模型,并利用该模型对 1600 个测试图像进行分类。
图 1. AS-OCT 图像示例(左图:type=0;右图:type=1)
需要提供结果:
测试图像的预测分类结果保存为 csv 文件,第一列为图像名字,第 2 列为分类类别
(0 或 1)
训练+预测的代码及运行截图,可以提供 jupyter 格式或者其他格式的文件
2) 利用深度神经网络建立手写体数字识别模型
数据介绍:数据集来自 MNIST 手写体数字集(部分图像做了视觉处理,请勿直接套用公开代码,练习的图像中仅有数字 0-8),训练数据已经处理为了 csv 格式(训练数据下载链接),测试图像需要自己处理(测试图像下载链接)
图 2 测试图
要求:利用给定的训练图像建立手写数字的识别模型,并利用该模型对测试图像识别图像中的数字并求和(测试图像,包含 9600 个数字,需要先拆分)
需要提供结果:
识别的测试图像中的数字,需要提供所有数字鉴别结果以及所有数字加和
训练+预测的代码及运行截图,可以提供 jupyter 格式或者其他可以证明的文件
利用强化学习训练一个自动载客出租车智能体(可选题) 生物代写
要求:训练一个出租车智能体(TAXI 的目标是在一地上客,然后在另一地下客。成功下客得 20 分,每经过一个时间步长扣 1 分。违规上下客罚 10 分),在初始的状态下(出租车位置、乘客和目的地随机出现后),出租车用最少的步数接到乘客并送到目的地成功下课,并且获得尽可能多的奖励分值。
需要提供的结果:
训练智能体的代码,并对代码和训练结果进行解释,利用训练好的智能体指导出租车拉客的过程
执行智能体拉客过程的记录(小视频/gif 动态/多个单个步骤静态图)
python gym 包出租车游戏介绍:
用来与环境交互的主要 API 调用是:
- step:在环境中执行一项操作并获取新状态和回报
- reset:重置环境并获取新状态
- render:将环境可视化
- close:关闭环境
启动游戏 Taxi 的一个新实例:生物代写
以下颜色在地图上指示出租车位置和不同物体的位置。
- 蓝色:乘客
- 紫红色:目的地
- 黄色:空载出租车
- 绿色:满客出租车
- 其他字母:位置
操作游戏 Taxi 的示例:
智能体没有学习之前自动操作 Taxi 所需步数: