1、了解 MP 神经元模型的基本结构。

2、能建立感知机的数学模型，并根据数学模型阐述感知机的基本原理。

 3、建立感知机模型中的损失函数，并说明推导过程。

4、复述出误分类的条件。

 5、能够根据感知机的模型对超平面的相关参数进行解释。

 

 6、阐述解决感知机不能解决异或（非线性可分问题）的思路。

对于线性不可分的情况，在感知机的基础上一般有两个处理方向，其中一个就是神经网络模型。这里的神经网络模型也称多层感知机（muti-layer perception，MLP），它与单层感知机在结构上的区别主要在于MLP多了若干隐藏层，这使得神经网络能够处理非线性问题。一个两层网络（多层感知机）。

7、依据神经网络的结构图，讲解神经网络的结构。

8、区分神经网络中隐藏层数量和隐藏层大小。

 隐藏层数量指的是神经网络中隐藏层的数量，即在输入层和输出层之间的中间层的数量。隐藏层大小则是指每个隐藏层中神经元的数量。在神经网络中，较多的隐藏层数量和更大的隐藏层大小通常可以增强网络的表达能力，提高其学习和预测的准确率。但是，过多的隐藏层或者过大的隐藏层大小可能会导致网络过度拟合和过度复杂化，而影响其泛化能力和性能表现。

9、了解神经网络中的三大概念。

三大概念：反向传播、梯度下降、损失函数

神经网络训练的最基本的思想就是：先“猜”一个结果，称为预测结果 y_hat，看看这个预测结果和事先标记好的训练集中的真实结果 y_true 之间的差距，然后调整策略，再试一次，这一次就不是“猜”了，而是有依据地向正确的方向靠近。如此反复多次，一直到预测结果和真实结果之间相差无几，亦即 |y_hat-y_true|→0，就结束训练。 在神经网络训练中，我们把“猜”叫做初始化，可以随机，也可以根据以前的经验给定初始值。即使是“猜”，也是有技术含量的。

10、并述神经网络的训练思想。

神经网络的训练思想是通过反向传播算法来调整神经元之间的连接权重，使得神经网络能够拟合出数据的模式和规律。具体来说，神经网络会根据输入数据以及其对应的标签，计算出每个神经元的输出值，然后根据损失函数来评估网络的预测结果和真实结果的差距，最后利用反向传播算法来更新权重以降低损失函数值，进而优化整个神经网络模型。

11、能够画出常见激活函数的图像如阶跃函数、Sigmoid 函数、Yanh 函数、ReLu 函数。

 12、描述计算机视觉的三大任务及卷积神经网络的发展历程。

计算机视觉处理的三大任务：分割、定位、检测

早期神经网络，经典分类网络，ImageNet与经典分类网络，后ImageNet时代经典网络