1. 完成“训练”（存储）模块；
2. 用三种不同的计算方式方式实现预测：两次循环，一次循环，向量化;
3. 利用交叉验证的方式去调整Ｋ值的选择。

1. 实现前向计算loss和grad（循环法和向量化）;
2. 在基类中实现SGD，SVM类继承该基类；
3. 在基类中完成预测功能。

1. 实现前向计算loss（softmax+交叉熵）和grad(向量化)；
2. 交叉验证调参：正则项的权重和学习速率；
3. 分别可视化SVM和Softmax的权重，来直观对比两者权重的不同。

1. 实现两层FC神经网络的前向（loss计算、梯度计算）、训练（SGD）和预测。

1. 结合Hog和color histogram提取图像特征，再通过SVM/NN来对图像进行训练、预测。

1. 和1.4相同搭建一个FC神经网络,但是此处要通过模块化（计算图）的方式去构建，即分别构建各种功能的层(FC,Relu,Softmanx,SVM),包括前向计算loss和后向计算梯度，然后通过累加各层来实现构建NN。
2. 通过通用的Solver来训练1中的神经网络。

网络的结构：{affine - relu} x (L - 1) - affine - softmax，L是构建网络时的参数，循环体内各隐层的节点数亦可设置。 

实现SGD+Momentum,Adgrad,RMSProp和Adam四种优化算法。

实现BN的前向和后向计算，并将其并添加到之前的网络中：
新的网络结构为：{affine - [batch/layer norm] - relu} x (L - 1) - affine - softmax

1. 实现Dropout的前向和后向计算，并添加到之前的网络中：
   新的网络结构为：{affine - [batch/layer norm] - relu - [dropout]} x (L - 1) - affine - softmax。
2. 设计实验验证不同P值时的模型防止过拟合的效果。

1. 实现卷积层前向loss计算和后向梯度计算；
2. 通过卷积层实现图片的灰度转化，和边缘提取；
3. 实现Maxpooling层的前向计算和后向计算；
    4. 利用已有的计算层构建CNN;
5. 实现spatial batch normalization前向计算和后向计算;
6. 实现Group Normalization前向计算和后向计算。