猫狗识别代码修改自kaggle，最后预测了下朋友们😂，代码还没细看。。
环境：cuda + wsl +nvdia docker
等有空搞个用我训练好的模型预测的在线网页
10月17日 第二次作业说明
- 提交截止时间：10月23日18点
- 作业提交到腾讯文档中的个人的文件夹中。
- 作业的文件命名格式：学号-姓名-第二次作业
任务一、回答以下问题。
- 什么是理性智能体(Rational Agent)。
人工智能中的“理性主体”一词用以表述能够做到目标导向的自制程序。对于所有可能的知觉序列，根据感知到的知觉序列与内建的环境先验知识，理性主体应选择预期能使效能指标最大化的行动。由上述定义可知，理性主体的理性取决于下列四个方面：效能指标、环境先验知识、知觉序列以及可采取的行动。
- 给出智能体的任务环境类型。
- 完全可观测和部分可观测
- 单智能体和多智能体
- 确定性与随机性
- 阵发性和连续性
- 动态和静态以及半动态
- 离散型和连续型
- 已知和未知
- 对于下列任务活动，分别给出任务环境的PEAS描述。
- 足球运动（机器人足球运动员）
E：球场、队友、对手、足球
A：行动装置、控球装置
S：摄像头、距离传感器
- 探索Titan的地下海洋。
P：探索效率、速度、准确率
E：海洋、海洋生物、海洋地形
A：海洋行动装置
S：摄像头、压力传感器
- 在互联网上购买AI旧书
E：旧书网站
A：下单、支付
S：爬虫程序
- 自主火星漫步者
P：速度、地形适应力
E：火星
A：行动装置、探索装置、科学数据采集装置
S：摄像头
- 数学定理证明
P：正确性、速度
E：现有数学公理
A：定理推理
S：键盘
以下 4~10题为选做题（加分题）。
- 单选题. 以下关于线性回归的表述正确的是：（a）
- 可以用梯度下降或最小二乘法来求（近似）解线性回归。
- 线性回归模型是一种生成模型。
- f(x) = 可以是一个线性回归得到的模型表达式。
- 线性回归常用极大似然估计作为损失函数。
- 单选题. 以下关于线性判别模型的说法，不正确的是：(d)
- 线性回归模型、二次回归模型等都是典型的线性判别模型。
- 线性判别模型中的损失函数L (用于度量预测值和真实值之间的误差。
- 线性判别模型中的“线性”，是指模型参数θ之间不存在非线性耦合项。
- 线性判别模型中使用的损失函数均为平方误差函数。
- 单选题。以下关于线性回归的矩阵形式的说法，不正确的是：(b)
- 线性回归的矩阵形式揭示了最优参数求解后，可以得到标签向量y投影到数据矩阵的列向量[…]张成一个的子空间的映射。
- 由线性回归的矩阵形式可知，训练数据点的个数n必须要大于特征的维度d，线性回归才能够得以求解。
- 加入正则化项后，相当于在半正定矩阵求逆之前加上了一个对角阵，使得整体的特征值恒为正。
- 当数据矩阵的一些列向量线性相关时，为奇异矩阵，最优参数无法被直接计算，需要加入正则化项来保证求解的可行性。
- 单选题。在回归模型中，下列哪一项在权衡欠拟合(under-fitting)和过拟合(over-fitting)中影响最大： (a)
- 多项式阶数
- 更新权重 w 时，使用的是矩阵求逆还是梯度下降
- 使用常数项
- 单选题。下面两张图展示了两个拟合回归线(A 和 B)，原始数据是随机产生的，现在要计算 A 和 B 各自的残差之和。注意：两种图中的坐标尺度一样。关于 A 和 B 各自的残差之和，下列说法正确的是： (c)
- A 比 B 高
- A 比 B 小
- A 与 B 相同
- 以上说法都不对
- 多选题。下列哪些指标可以用来评估线性回归模型：（abd）
- R-Squared
- Adjusted R-Squared
- F Statistics
- RMSE / MSE / MAE
- 多选题。下面三张图展示了对同一训练样本，使用不同的模型拟合的效果(蓝色曲线)。可以得出哪些结论：(acd)
- 第 1 个模型的训练误差大于第 2 个、第 3 个模型。
- 最好的模型是第 3 个，因为它的训练误差最小。
- 第 2 个模型最为“健壮”，因为它对未知样本的拟合效果最好。
- 第 3 个模型发生了过拟合。
- 所有模型的表现都一样，因为并没有看到测试数据。
任务二、代码实战。
- 写出基于模型反射智能体（Model-based Reflex Agents）的伪代码agent程序。(课件p54)
state Update-State(state,action,percept,model){
model according to the now state,now action,and now percept return the new state
return state
}
rule Rule-match(state,rules){
match the rule in rules according to the new state
return rule
}
Rule.Action means that a rule have a specified action
2.选做：使用tensorflow或pytorch实现猫狗识别。（可使用预训练模型）
要求：提交代码，提交运行结果的截屏。
代码见邮件附件
dataset：Cats and Dogs dataset
hardware: rtx3060TI
Runtime: windows wsl2 、nvdia docker、cuda11.5 for wsl
Docker image: tensorflow/tensorflow:latest-gpu-jupyter
Network: InceptionResNetV2
运行截图:
任务三、阅读经典论文，并做文献综述。
每周一篇经典论文。
- 本周建议阅读：论文《ImageNet Classification with Deep Convolutional Neural Networks》（2012年的ImageNet大规模视觉识别挑战赛中，Alex Krizhevsky等人创建的“大而深的卷积神经网络”取得大赛冠军——将分类误差从26％降至15％，这是一个惊人的改进，卷积神经网络从此被广泛传播。）
AlexNet参加了2012年9月30日举行的ImageNet大规模视觉识别挑战赛，达到最低的15.3%的Top-5错误率，比第二名低10.8个百分点。论文的主要结论是，模型的深度对于提高性能至关重要，AlexNet的计算成本很高，但因在训练过程中使用了GPU而使得计算具有可行性。
AlexNet包含八层。前五层是卷积层，之后一些层是最大池化层，最后三层是全连接层。它使用了非饱和的ReLU激活函数，显示出比tanh和sigmoid更好的训练性能。
AlexNet被认为是计算机视觉领域最有影响力的论文之一，它刺激了更多使用卷积神经网络和GPU来加速深度学习的论文的出现。
