CS231n（4）：课程作业# 3简介

在本作业中，你将实现循环网络，并将其应用于在微软的COCO数据库上进行图像标注。我们还会介绍TinyImageNet数据集，然后在这个数据集使用一个预训练的模型来查看图像梯度的不同应用。本作业的目标如下：
理解循环神经网络（RNN）的结构，知道它们是如何随时间共享权重来对序列进行操作的。
理解普通循环神经网络和长短基记忆（Long-Short Term Memory）循环神经网络之间的差异。
理解在测试时如何从RNN生成序列。
理解如何将卷积神经网络和循环神经网络结合在一起来实现图像标注。
理解一个训练过的卷积神经网络是如何用来从输入图像中计算梯度的。
进行高效的交叉验证并为神经网络结构找到最好的超参数。
实现图像梯度的不同应用，比如显著图，搞笑图像，类别可视化，特征反演和DeepDream。

提交作业

无论你是在云终端还是在本地完成作业，一旦完成作业，就运行collectSubmission.sh脚本；这样将会产生一个assignment3.zip的文件，然后将这个文件上传到你的dropbox中这门课的作业页面。

Q1：使用普通RNN进行图像标注（40分）

IPython Notebook文件RNN_Captioning.ipynb将会带你使用普通RNN实现一个在微软COCO数据集上的图像标注系统。

Q2：使用LSTM进行图像标注（35分）

IPython Notebook文件LSTM_Captioning.ipynb将会带你实现LSTM，并应用于在微软COCO数据集上进行图像标注。

Q3：图像梯度：显著图和高效图像（10分）

IPython Notebook文件ImageGradients.ipynb将会介绍TinyImageNet数据集。你将使用一个训练好的模型在这个数据集上计算梯度，然后将其用于生成显著图和高效图像。

Q4：图像生成：类别，反演和DeepDream（30分）

在IPython Notebook文件ImageGeneration.ipynb中，你将使用一个训练好的TinyImageNet模型来生成图像。具体说来，你将生成类别可视化，实现特征反演和DeepDream。

Q5：做点儿其他的！（+10分）

根据作业内容，做点够酷的事儿。比如作业中没有讲过的其他生成图像的方式？

全文完。