1、序列的卷积和运算及其过程的可视化呈现；
1.1实验目的和要求 1.2实验原理 1.3实验仪器设备 1.4实验过程（内容、步骤、原始数据） 1.5实验结果（数据处理、结果分析、问题讨论及总结） 2、图像/语音信号的频谱分析；
2.1实验目的和要求 2.2实验原理 2.3实验仪器设备 2.4实验过程（内容、步骤、原始数据）2.5实验结果（数据处理、结果分析、问题讨论及总结） 3、图像/语音信号通过线性系统的呼应；
3.1实验目的和要求 3.2实验原理 3.3实验仪器设备 3.4实验过程（内容、步骤、原始数据） 3.5实验结果（数据处理、结果分析、问题讨论及总结）4、附录；
附录1实验一代码 附录2实验二代码 附录3实验三代码

Caffe：用于疾速特征嵌入的卷积架构

针对单目深度估计网络庞大的参数量和计算量，提出一种轻量金字塔解码结构的单目深度估计网络，可以在保证估计精度的情况下降低网络模型的复杂度、减少运算时间。
该网络基于编解码结构，以端到端的方式估计单目图像的深度图。
编码端使用ResNet50网络结构；
在解码端提出了一种轻量金字塔解码模块，采用深度空洞可分离卷积和分组卷积以提升感受野范围，同时减少了参数量，并且采用金字塔结构融合不同感受野下的特征图以提升解码模块的功能；
此外，在解码模块之间增加跳跃连接实现知识共享，以提升网络的估计精度。
在NYUDv2数据集上的实验结果表明，与结构注意力引导网络相比，轻量金字塔解码结构的单目深度估计网络在误差RMS的指标上降低约11.0%，计算效率提升约84.6%。

使用本人编写的程序对数据进行卷积运算，输入x和h两个数据矩阵就可以进行卷积运算

基于keras深度学习框架，使用卷积神经网络CNN实现cifar-10图片分类

IusedtheCNN+DDPGrealizinginvertedpendulumcontrolpython3.5tensorflow+GPUgym环境。
本代码绝无仅有，本人用全连接修改的，输入的图像也是本人画的其中CNN_1与CNN_2是根据全连接进行改造的。
CNN_1中是在第二个卷积层的输出中加入Actor网络的输出Policy。
CNN_2中是在第一个全连接的输出中加入Actor网络的输出Policy。

在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。 每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。 另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。 为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。