注意：代码实现的题目，需要提交实现代码

task1.1

解释神经网络中 卷积层 的作用。
解释神经网络中 池化层 的作用。
解释神经网络中 连接层 的作用。
解释神经网络中 激活函数层 的作用。
解释神经网络中 Dropout层 的作用。

对于你给出的解释，请给出相应的PaddlePaddle对应的函数，并尽可能的解释函数参数的意义

（也可以是Pytorch/Tensorflow中的函数）

task2.1

在一个单层感知器中，假设有两个输入特征和一个输出。

权重分别是w1 = 0.5，w2 = -0.3，偏差为b = 0.1。

输入特征为x1 = 2，x2 = -1。

计算输出（假设激活函数是阶跃函数）。

task2.2（代码实现）

假设你有一个包含两个隐藏层的前馈神经网络，每个隐藏层分别有3个神经元。

输入层有4个特征，输出层有2个神经元。

所有的激活函数都是ReLU。

编写一个函数来计算整个网络的输出，给定输入和网络参数。

例如，一二三层权重为以下值时：

第一层权重：
W1:

[[ 0.32361505, -1.08053636, 1.94312927],
[1.87599918, 0.09333858, -0.54394708],
[0.31721595, 0.15919131, 0.75238423],
[0.52593422, 0.39281801, 0.47263081]]

B1:

[[-0.95059911, -0.78673449, -0.27075615]]

第二层权重：
W2:

[[-1.11562289, -1.05667625, 1.17330918],
[ 1.15682221, 0.30359694, -0.32633211],
[0.44536135, 0.31302144, -1.16012537]]

B2:

[[ 1.48936813, -0.50073038, -0.16725209]]

第一层权重：
W3:

[[-0.06277751, -0.52103597],
[-0.29022904, 1.55451498],
[-0.80766273, -0.24495497]]

B3:

[[0.97822396, 1.32775756]]

输入：[[1, 2, 3, 4]]

输出为：[[-0.21243352 0.96664461]]

task3.1（代码实现）

题目：线性回归模型 {#题目：线性回归模型}

使用PaddlePaddle框架（Paddle Pytorch Tensorflow，或者自己手写线性回归网络都可）搭建一个简单的线性回归模型，对data.csv数据集中的数据进行训练，并预测新数据点的值。

提示 {#提示}

使用paddle.nn.Linear创建一个具有单个输入和单个输出的线性层。
定义损失函数和优化器。
训练模型以拟合数据。
对新数据进行预测。

注意 {#注意}

线性数据的含义是：
y = kx + b
你需要构建一个神经网络完成k和b参数的推理

载入数据集中的数据可以采用以下方式：

|-----------------|------------------------------------------------------------------------------------------------------------------------------------------------------------------------------| | 1 2 3 4 | hljs python import pandas as pd df = pd.read_csv( "training_data.csv" ) X_train = df[ "X" ].values.astype( "float32" ) y_train = df[ "y" ].values.astype( "float32" ) |

训练方式不限
训练框架不限（Paddle Pytorch Tensorflow，或者自己手写线性回归网络都可）
需要将训练好的模型导出为可被调用的文件
比如
.pdmodel
.h5等模型文件
以便测试调用

提交题目时需要一并提交模型训练代码

task3.2（代码实现）

题目：卷积神经网络（CNN）分类 {#题目：卷积神经网络（CNN）分类}

使用PaddlePaddle框架构建一个简单的卷积神经网络（CNN），用于对MNIST手写数字数据集进行分类。

(Paddle Pytorch Tensorflow等框架都可)

提示 {#提示-2}

构建一个包含卷积层、池化层和全连接层的CNN模型。
加载MNIST数据集，可以使用paddle.vision.datasets.MNIST。
定义损失函数和优化器。
训练模型以对手写数字进行分类。
评估模型性能并进行预测。

注意 {#注意-2}

载入数据集中的数据可以采用以下方式：

|-----------------------|--------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------| | 1 2 3 4 5 6 7 | hljs python from paddle.vision.transforms import Compose, Normalize from paddle.vision.datasets import MNIST from yolov3.net import LeNet, SimpleCNN transform = Compose([Normalize(mean=[ 127.5 ], std=[ 127.5 ], data_format= 'CHW' )]) train_dataset = MNIST(mode= 'train' , transform=transform) train_loader = paddle.io.DataLoader(train_dataset, batch_size= 256 , shuffle= True ) |

训练方式不限
训练框架不限（Paddle Pytorch Tensorflow，或者自己手写线性回归网络都可）
需要将训练好的模型导出为可被调用的文件
比如
.pdmodel
.h5等模型文件
以便测试调用

提交题目时需要一并提交模型训练代码