手动实现前馈神经网络实验
本资源文件提供了一个详细的实验指南，旨在通过手动实现和利用PyTorch框架实现前馈神经网络，解决回归、二分类和多分类任务。实验内容包括：
- 手动实现前馈神经网络：
- 解决回归、二分类、多分类任务。
- 分析实验结果，并绘制训练集和测试集的损失（loss）曲线。
- 利用torch.nn实现前馈神经网络：
- 解决上述回归、二分类、多分类任务。
- 分析实验结果，并绘制训练集和测试集的损失（loss）曲线。
- 多分类任务中的激活函数对比：
- 在多分类实验的基础上，使用至少三种不同的激活函数。
- 对比使用不同激活函数的实验结果。
- 隐藏层层数和隐藏单元个数的影响：
- 对多分类任务中的模型，评估隐藏层层数和隐藏单元个数对实验结果的影响。
- 使用不同的隐藏层层数和隐藏单元个数，进行对比实验并分析实验结果。
- Dropout的影响：
- 在多分类任务实验中，分别手动实现和用torch.nn实现dropout。
- 探究不同丢弃率对实验结果的影响，并用loss曲线进行展示。
- L2正则化的影响：
- 在多分类任务实验中，分别手动实现和用torch.nn实现L2正则化。
- 探究惩罚项的权重对实验结果的影响，并用loss曲线进行展示。
- 模型评估：
- 对回归、二分类、多分类任务，分别选择上述实验中效果最好的模型。
- 采用10折交叉验证评估实验结果，要求除了最终结果外，还需以表格形式展示每折的实验结果。
通过本实验，用户可以深入理解前馈神经网络的结构和原理，掌握不同实现方法及其对模型性能的影响，并为实际应用中选择合适的模型和参数提供参考。