二、Deep Learning Basics——Lecture 2: Image Classification with Linear Classifiers
二、Deep Learning Basics
Lecture 2: Image Classification with Linear Classifiers(用线性分类器进行图像分类)
图像是一个张量,它是介于[0,255]之间的整数。
面临一些挑战:视角变化(当相机移动时,所有的像素都改变了!)、明亮程度、背景混杂、图像遮挡、变形、同类差异、环境背景等
The data-driven approach(数据处理方法)
- 收集图像和标签的数据集
- 使用机器学习算法训练分类器
- 评估新图像上的分类器
K-nearest neighbor(K最近邻算法/KNN)
最近邻:
原理:
代码:
k-最近邻(距离度量):
与其从最近的邻居复制标签,不如从K个最近的点进行多数投票
(1)曼哈顿距离
(2)欧几里得距离
K-Nearest Neighbors Demo:http://vision.stanford.edu/teaching/cs231n-demos/knn/
关于训练集(training)、验证集(validation)和测试集(test),得单独找一个文章专门写。
KNN 总结(KNN原理得单独写一篇文章):
(1)在图像分类中,我们从图像和标签组成的训练集开始,在测试集上预测标签。
(2)K近邻分类器基于K个最近的训练示例来预测标签
(3)距离度量和K是超参数
(4)使用验证集选择超参数
(5)在最后只在测试集上运行一次!
Linear Classifiers(线性分类器)
Algebraic / Visual / Geometric viewpoints(代数/视觉/几何观点)
- 定义一个损失函数,用训练数据中的分数来量化我们的不满意。
- 想出一种方法,有效地找到参数,使损失函数最小化。(优化)
(下面PPT是讲SVM的损失函数,没看懂:第67——81页PPT,待解决)
SVM and Softmax loss(SVM算法和Sofxmax损失函数)
(待解决,比较在平板还没完全搞懂)
Python / Numpy Review Session(Python/Numpy复习课)
单独一篇文章学习:https://www.cnblogs.com/yechangxin/articles/16522751.html
本文来自博客园,作者:JaxonYe,转载请注明原文链接:https://www.cnblogs.com/yechangxin/articles/16524866.html
侵权必究