MATLAB与PyTorch实践：从神经网络到图像处理

18、实现通用粒子滤波算法，针对不同数量的粒子流N和不同的有效粒子大小阈值Neff进行处理。

1. 先选择一个分布（正态分布是不错的选择）并进行初始化。
2. 然后根据算法在每一步更新粒子。
3. 最后，检查 Neff 是否低于阈值，如果是，则继续进行重采样过程。

19、实现序贯重要性采样（SIS）粒子滤波算法，并绘制不同时间点 n 下生成的粒子及其归一化权重。观察随着时间推移，权重的退化现象。

可按如下步骤操作：

1. 先选择一个分布（正态分布是不错的起始选择）并初始化。
2. 然后依据算法在每一步更新粒子。
3. 最后检查有效粒子大小 $N_{\text{eff}}$ 是否低于阈值，若低于则进行重采样过程。

之后绘制不同时间点 $n$ 下的粒子及其归一化权重，观察权重方差随时间增加，少数粒子权重非零的退化现象。

20、证明如果激活函数是 softmax，损失函数是交叉熵，那么在特定计算式中的 δL nj 不依赖于非线性函数的导数。

将 softmax 激活与交叉熵损失函数结合会得到与非线性函数导数无关的梯度，但未给出具体证明过程。

21、考虑一个分类问题，有数据集X1和X2。采用两层前馈神经网络，并使用自适应反向传播算法对其进行训练，初始步长设为0.0001，ri = 1.05，rd = 0.7，c = 1.04，迭代6000次。分别基于X1和X2计算训练误差和测试误差，并绘制训练误差随迭代次数变化的曲线。将结果与之前某题中(b)部分的结果进行比较。

需要按照以下步骤完成任务：

1. 构建两层前馈神经网络；
2. 使用自适应反向传播算法训练网络，设置初始步长为0.0001，ri = 1.05，rd = 0.7，c = 1.04，迭代6000次；
3. 基于数据集X1计算训练误差，基于数据集X2计算测试误差；
4. 绘制训练误差随迭代次数变化的曲线；
5. 将上述结果与之前某题中(b)部分的结果进行比较。

22、这是一个与分类相关的练习，旨在通过在MNIST数据集上运用丢弃正则化（dropout regularization）来积累经验。使用PyTorch机器学习框架训练一个前馈神经网络。(a) 理解PyTorch的数据集（Datasets）和数据加载器（Dataloaders）的概念。使用torchvision中的MNIST数据集实例，加载数据集，其中60000张图像用于训练，10000张用于测试。创建一个数据加载器实例，设置shuffle = True。将图像值归一化到[0, 1]区间。在PyTorch中，可以通过设置数据加载器的transform变量为torchvision.transforms.ToTensor()和torchvision.transforms.Norma