本仓库包含智能计算课程的实验代码与作业答案，涵盖深度学习基础、神经网络设计与实现等内容。所有实验均使用 NumPy 从零实现，旨在帮助深入理解神经网络的底层原理，同时提供完整的作业解答供学习参考。
本课程项目包含以下实验模块：
| 实验模块 | 简介 | 状态 | README |
|---|---|---|---|
| 实验 2.1 | 基于 4 层 MLP 的 MNIST 手写数字识别，准确率 98%+ | ✅ 已完成 | 查看详情 |
| 实验 2.2 | 基于 DLP 深度学习平台的 MNIST 分类实现，使用 He 初始化和梯度裁剪优化 | ✅ 已完成 | 查看详情 |
🔮 未来计划
- 🚧 实验 3.1：卷积神经网络（CNN）实现与图像分类
- 🚧 实验 3.2：循环神经网络（RNN）与序列建模
- 🚧 实验 4.0：注意力机制与 Transformer
- 📅 更多实验持续更新中...
本仓库包含智能计算课程第 2-7 章的作业答案详解，涵盖多层感知机、卷积神经网络、网络结构设计、计算图模式、深度学习处理器和数值表示等核心知识点。
| 主题 | 简介 | README |
|---|---|---|
| 作业答案 | 第 2-7 章深度学习理论作业详解与推导过程 | 查看详情 |
查看目录结构
IntelligentCompute/
├── exp_2_1_mnist_mlp/ # 🔧 实验2.1: MLP实现MNIST分类
├── expr2_2/ # 🔧 实验2.2: DLP平台实现
├── homeWork/ # 📚 作业答案目录
├── mnist_data/ # 💾 MNIST数据集
├── .gitignore # 🚫 Git忽略文件配置
└── README.md # 📄 项目说明文档
| 技术 | 版本/说明 |
|---|---|
| Python | 3.7+ |
| NumPy | 1.19+ - 用于数值计算和矩阵运算 |
| DLP Platform | 深度学习实验平台（实验2.2） |
- Python 3.7 或更高版本
- NumPy 1.19 或更高版本
- （可选）DLP 深度学习实验平台
# 创建虚拟环境（推荐）
python -m venv venv
source venv/bin/activate # Linux/Mac
# 或
venv\Scripts\activate # Windows
# 安装依赖
pip install numpy>=1.19git clone https://github.com/airprofly/IntelligentCompute.git
cd IntelligentCompute# 实验 2.1: MLP 实现
cd exp_2_1_mnist_mlp
python main_exp_2_1.py
# 实验 2.2: DLP 平台实现
cd expr2_2
python main_exp_2_2.py💡 提示：每个实验模块都有独立的 README，包含详细的实现说明、运行方法和核心代码。请点击上方的"查看详情"链接查看完整文档。
# 查看特定章节答案
cat homeWork/chapter2.md
cat homeWork/chapter3.md
# 或在 Markdown 阅读器中打开以获得更好的阅读体验本课程实验按照以下路径设计：
基础篇
└── 实验 2.1：多层感知机（MLP）+ MNIST 分类
├── 全连接层实现
├── ReLU 激活函数
├── Softmax 损失函数
└── 反向传播算法
平台应用篇
└── 实验 2.2：DLP 平台实现
├── He 初始化方法
├── 梯度裁剪技术
├── 数据预处理
└── 模型加载与推理
理论巩固篇
└── 作业答案（第2-7章）
├── 第2章：多层感知机原理
├── 第3章：经典 CNN 架构
├── 第4章：网络结构设计
├── 第5章：计算图模式
├── 第6章：深度学习硬件
└── 第7章：数值表示方法
通过本课程实验与作业，你将掌握：
- ✅ 神经网络的数学原理（矩阵运算、链式法则）
- ✅ 前向传播和反向传播的实现细节
- ✅ 参数梯度的计算和更新方法
- ✅ 深度学习框架（如 PyTorch、TensorFlow）背后的工作机制
- ✅ 经典数据集（MNIST、CIFAR-10 等）的处理方式
- ✅ 深度学习平台（DLP）的使用方法
- ✅ CNN 架构设计与参数计算
- ✅ 训练技巧与优化方法
欢迎提交 Issue 和 Pull Request 来改进本项目！
本项目采用 MIT 许可证。
智能计算课程实验项目
Made with ❤️ by IntelligentCompute Team