深度学习——基础入门

深度学习-基础

基础环境配置Anaconda

主要应用其中的两个组件：

1.Anaconda prompt 用来安装包（框架）

2.Jupyter notebook 网页版的编译器，（可以通过修改属性，更改根目录）

www.image-net.org

机器学习的基本路线

一个图像分为 长h 宽w 颜色c(r,g,b)

三维数组，其中每一个数据代表一个像素点

1.收集数据并给定标签

2.训练一个分类器

3.测试，评估

超参数和交叉验证

训练数据分为 train data （train）和 test data（test），通常用一个比例来分9:1

train data 分成不同的fold来进行交叉验证 validate date（val）

假设train分成5个fold 1,2,3,4,5，分别用[1,2,3,4:5]、[5,2,3,4:1]、[1,5,3,4:2]、[1,2,5,4:3]、[1,2,3,5:4]进行交叉验证。

交叉验证来选择参数

得分函数（分类结果）

f(x,W)=每个类别的得分（有n个类别，则为n*1）

x:image 指图像（像素点个数*1）

W：parameters 权重参数（图像类别*像素点个数）

b：偏置项（bias），偏重一个类别

f(x,W)=Wx+b

神经网络的关键工作就是求W和b

损失函数（分类结果的好坏）

如果一个图像识别出来的结果是错的，我们需要告诉模型训练错了。

定义损失函数，函数值越大，训练效果越差。损失为0最好。

类似定义：sum(max(0,其他结果-正确结果+容忍度))

Softmax分类器

softmax的输出是概率，就是把分类结果转化为概率