数据分布类型：螺旋型

训练结果截图： 训练参数配置与实验步骤：

（1）输入层设置

参数 推荐值 说明 Features X1, X2, X1², X2², X1X2 添加多项式特征模拟图像局部特征（类似卷积核提取边缘/纹理） Noise 5% 增加数据噪声模拟真实图像的干扰（如光照变化） （2）隐藏层架构

层数 神经元数 激活函数 作用 第1层 8 ReLU 初级特征检测（类似卷积层的边缘提取） 第2层 6 中级特征组合（如曲线片段） 第3层 3 Tanh 高级特征整合（全局形状判断） （3）训练参数

参数 推荐值 调整策略 Learning Rate 0.03 初始值0.1 → 观察损失震荡则降低，训练过慢则提高 Regularization L2 (λ=0.001) 防止过拟合（类似图像分类中的数据增强） Batch Size 19 平衡训练速度与稳定性

数据分布类型： Gaussian

训练效果截图：

训练参数配置与实验步骤：

（1）输入层设置

（2）隐藏层架构

（3）训练参数

参数 推荐值 调整策略 Learning Rate 0.03 初始值0.1 → 观察损失震荡则降低，训练过慢则提高 Regularization L2 (λ=0.001) 防止过拟合（类似图像分类中的数据增强） Batch Size 30 平衡训练速度与稳定性

数据分布类型：Gaussian 训练结果截图：

训练参数配置与实验步骤：

（1）输入层设置 Features：X1, X2, X1², X2² Noise：0 （2）隐藏层架构 神经元数：第1层：4 第2层：2 第3层：4 激活函数：Sigmoid （3）训练参数 Learning Rate :0.03 Regularization L2 (λ=0.001) Batch Size 10

姓名：钟佳谕

数据分布类型： spiral

训练结果截图： （1）输入层设置 参数： features:x1,x2,x1^2^ ，sin(x1),sin(x2)添加多项式特征模拟图像局部特征（类似卷积核提取边缘/纹理）

noise:15

数据分布类型： Gaussain

训练结果截图：

（1）输入层设置 参数： features:x1,x2 添加多项式特征模拟图像局部特征（类似卷积核提取边缘/纹理）

noise:0

（2）隐藏层架构 1层：初级特征检测（类似卷积层的边缘提取）

（3）训练参数 Learning rate：0.03 Activation： RelU Regularization: L1

姓名：陈柯名

数据分布类型：Spiral

训练结果截图：

f.h.

数据分布类型：Exclusive or

训练结果截图： 训练参数配置与实验步骤：

（1）输入层设置

参数 推荐值 说明 Features X1, X2, X1X2,sin(X1) 添加多项式特征模拟图像局部特征（类似卷积核提取边缘/纹理） Noise 15% 增加数据噪声模拟真实图像的干扰（如光照变化） （2）隐藏层架构

层数 神经元数 激活函数 作用 第1层 8 ReLU 初级特征检测（类似卷积层的边缘提取） 第2层 6 中级特征组合（如曲线片段） 第3层 4 Tanh 高级特征整合（全局形状判断） （3）训练参数

参数 推荐值 调整策略 Learning Rate 0.03 初始值0.1 → 观察损失震荡则降低，训练过慢则提高 Regularization L2 (λ=0.001) 防止过拟合（类似图像分类中的数据增强） Batch Size 30 平衡训练速度与稳定性

数据分布类型：Spiral 训练结果截图：

杨瑞沂 数据分布类型： Exclusive or

训练结果截图：

训练参数配置与实验步骤：

（1）输入层设置

参数 推荐值 说明 Features X1, X2, X1X2 添加多项式特征模拟图像局部特征（类似卷积核提取边缘/纹理） Noise 5% 增加数据噪声模拟真实图像的干扰（如光照变化） （2）隐藏层架构

层数 神经元数 激活函数 作用 第1层 8 ReLU 初级特征检测（类似卷积层的边缘提取） 第2层 6 中级特征组合（如曲线片段） 第3层 4 Tanh 高级特征整合（全局形状判断） （3）训练参数

参数 推荐值 调整策略 Learning Rate 0.03 初始值0.1 → 观察损失震荡则降低，训练过慢则提高 Regularization L2 (λ=0.001) 防止过拟合（类似图像分类中的数据增强） Batch Size 10 平衡训练速度与稳定性

9.1【神经网络】神经网络的模拟与实践

主要任务： 基于TensorFlow Playground的模拟与实践“神经网络”https://playground.tensorflow.org/

核心思路： 将二维点分类任务类比图像像素处理，通过 特征工程 与 网络结构设计 模拟图像分类原理。

选择数据分布类型中的一中： Exclusive or、Gaussian、Spiral，设置训练参数进行训练，在讨论贴中给出训练的结果及相应参数。

数据分布类型： Sprical

训练结果截图：

训练参数配置与实验步骤：

姓名：尹施钰承

训练参数配置与实验步骤：

（1）输入层设置

参数 推荐值 说明 Features X1, X2, X1², X2², X1X2 添加多项式特征模拟图像局部特征（类似卷积核提取边缘/纹理） Noise 15% 增加数据噪声模拟真实图像的干扰（如光照变化） （2）隐藏层架构

层数 神经元数 激活函数 作用 第1层 8 ReLU 初级特征检测（类似卷积层的边缘提取） 第2层 6 中级特征组合（如曲线片段） 第3层 4 Tanh 高级特征整合（全局形状判断） （3）训练参数

参数 推荐值 调整策略 Learning Rate 0.03 初始值0.1 → 观察损失震荡则降低，训练过慢则提高 Regularization L2 (λ=0.001) 防止过拟合（类似图像分类中的数据增强） Batch Size 30 平衡训练速度与稳定性

训练参数配置与实验步骤：

（1）输入层设置

参数 推荐值 说明 Features X1, X2 添加多项式特征模拟图像局部特征（类似卷积核提取边缘/纹理） Noise 0% 增加数据噪声模拟真实图像的干扰（如光照变化）

（2）隐藏层架构

层数 神经元数 激活函数 作用 第1层 2 ReLU 初级特征检测（类似卷积层的边缘提取） 第2层 4 中级特征组合（如曲线片段） 第3层 2 Tanh 高级特征整合（全局形状判断）

（3）训练参数

参数 推荐值 调整策略 Learning Rate 0.03 初始值0.1 → 观察损失震荡则降低，训练过慢则提高 Regularization none 防止过拟合（类似图像分类中的数据增强） Batch Size 10 平衡训练速度与稳定性

数据分布类型： Gaussian 训练结果截图： 训练参数配置与实验步骤： （1）输入层设置

数据分布类型：Exclusiwe or

训练结果截图：

训练参数配置与实验步骤：

（1）输入层设置

参数 推荐值 说明 Features X1, X2,sin(X2) 添加多项式特征模拟图像局部特征（类似卷积核提取边缘/纹理） Noise 0 增加数据噪声模拟真实图像的干扰（如光照变化） （2）隐藏层架构

层数 神经元数 激活函数 作用 第1层 4 ReLU 初级特征检测（类似卷积层的边缘提取） 第2层 2 中级特征组合（如曲线片段） 第3层 2 Tanh 高级特征整合（全局形状判断） （3）训练参数

参数 推荐值 调整策略 Learning Rate 0.03 初始值0.1 → 观察损失震荡则降低，训练过慢则提高 Regularization L2 (λ=0.001) 防止过拟合（类似图像分类中的数据增强） Batch Size 30 平衡训练速度与稳定性

数据分布类型： Exclusive or

训练结果截图：

数据分布类型： Gaussian

训练结果截图：

训练参数配置与实验步骤：

（1）输入层设置

数据分布类型： spiral

数据类型：E

数据分布类型：exclusive or

训练结果截图：

数据分布类型： Gaussian

训练结果截图：

训练参数配置与实验步骤：

（1）输入层设置

Features X1, X2 Noise 0

（2）隐藏层架构

第1层 4Tanh

（3）训练参数

Learning Rate 0.03 初始值0.1 → 观察损失震荡则降低，训练过慢则提高

Batch Size 10

（1）输入层设置

参数 推荐值 说明 Features X1, X2, X1², X2², X1X2 添加多项式特征模拟图像局部特征（类似卷积核提取边缘/纹理） Noise 15% 增加数据噪声模拟真实图像的干扰（如光照变化） （2）隐藏层架构

层数 神经元数 激活函数 作用 第1层 8 ReLU 初级特征检测（类似卷积层的边缘提取） 第2层 6 中级特征组合（如曲线片段） 第3层 4 Tanh 高级特征整合（全局形状判断） （3）训练参数

参数 推荐值 调整策略 Learning Rate 0.03 初始值0.1 → 观察损失震荡则降低，训练过慢则提高 Regularization L2 (λ=0.001) 防止过拟合（类似图像分类中的数据增强） Batch Size 30 平衡训练速度与稳定性

数据分布类型：Spiral

数据分布类型：

训练结果截图： 训练参数配置与实验步骤：

数据分布类型：Gaussian

姓名：陈纪红

数据分布类型： Exclusive or

训练结果截图：

（1）输入层设置

50%Radio （2）隐藏层架构

层数 神经元数 激活函数 作用 第1层 8 ReLU 初级特征检测（类似卷积层的边缘提取） 第2层 6 中级特征组合（如曲线片段） 第3层 4 Tanh 高级特征整合（全局形状判断） （3）训练参数

参数 推荐值 调整策略 Learning Rate 0.03 初始值0.1 → 观察损失震荡则降低，训练过慢则提高 Regularization L2 (λ=0.001) 防止过拟合（类似图像分类中的数据增强） Batch Size 15 平衡训练速度与稳定性

姓名：戴之哲

数据分布类型： Gaussian

训练结果截图：

数据分布类型:Exculsive or

训练结果截图：

数据分布类型： Exclusive or

训练结果截图：

训练参数配置与实验步骤：

（1）输入层设置

参数 推荐值 说明 Features X1, X1, X1X2 添加多项式特征模拟图像局部特征（类似卷积核提取边缘/纹理） Noise 15% 增加数据噪声模拟真实图像的干扰（如光照变化） （2）隐藏层架构

层数 神经元数 激活函数 作用 第1层 8 ReLU 初级特征检测（类似卷积层的边缘提取） 第2层 6 中级特征组合（如曲线片段） 第3层 4 Tanh 高级特征整合（全局形状判断） （3）训练参数

参数 推荐值 调整策略 Learning Rate 0.03 初始值0.1 → 观察损失震荡则降低，训练过慢则提高 Regularization L2 (λ=0.001) 防止过拟合（类似图像分类中的数据增强） Batch Size 30 平衡训练速度与稳定性

数据分布类型：spiral

数据分布类型： gaussian

训练结果截图：