1 视频总结
~机器人模块组成
~模型分类
~监督学习
~深度学习的几个不能：不稳定，易被攻击；机器偏见，无法引入有效监督；过于复杂，无法纠错修改；参数不透明；推理性差；端到端对数据依赖性强
~M-P神经元
~几种激活函数
~单层感知器
~万有逼近定理
~多层感知器
~神经网络每一层的作用
~BP算法
~自编码器（图像降噪，数据降维）
2.1 图像处理基本练习
这部分内容包括：理解图像类型，进行一些基本的图像分割操作。
（1）下载并显示图像
~下载图像
~显示图像的基本信息
~显示图像
（2）读取并改变图像像素值
~将第30行到第100行，第10列到第100列之间像素值置为0（黑）
~将前10行像素值置为0
~将像素值小于80的像素置为255（白）
~读取猫的rgb图片，所有r维度高于160的像素值部分全部置为255
~将rgb的三层像素值颠倒，得到bgr图像
（3） 转换图像数据类型
（4）直方图hist
将二维矩阵img减少一个维度，img.ravel()使得原二维灰度图像成为一维灰度值序列
（5）图像分割
先将rgb图像转化为灰度图像，显示直方图，再根据直方图用阈值法（显示像素值除以256大于0.5的像素）对图像进行分割
(6)Canny算子 进行边缘检测
img_edges = canny(img)：
sigma：高斯滤波器的标准差
low_threshold：小于该阈值的像素直接置为0
high_threshold：大于该阈值的像素直接置为255
(7)调整图像的对比度
~载入图像，调整尺度
~低对比度图像、对比度拉伸、直方图均衡化、自适应直方图均衡化之间对比（图像、直方图）
2.2 pytorch 基础练习
1）主要介绍了一些常见运算，其中点积运算中有一处错误
错误显示m和v的数据类型不同，无法运算，百度后得知：
“torch.tensor()仅仅是Python的函数；torch.Tensor(),Python类，是默认张量类型torch.FloatTensor()的别名,单精度浮点数类型;”
将【10】单元格中的
修改为torch.tensor()即可：
2）
torch.
linspace(
start,
end,
steps=100,
out=None,
dtype=None,
layout=torch.strided,
device=None,
requires_grad=False) → Tensor
返回一个一维的tensor（张量），这个张量包含了从start到end，分成steps个线段得到的向量。常用的几个变量：
start：开始值
end：结束值
steps：分割的点数，默认是100
dtype：返回值（张量）的数据类型
~加大数据量，分布呈正态分布
2.3 螺旋数据分类
1）3000个样本进行初始化
2）通过构建线性分类器进行分类后，我们得到这样的结果：
可以看到，虽然大体将数据分为了三类，但是终归是线性分类，样本为螺旋数据，效果并不理想，无法实现准确分类。
3） 构建两层神经网络分类，得到如下结果：
激活函数为ReLU函数的两层神经网络使得该神经网络可以实现非线性分类，准确度得到提升。
2.4 回归分析
1）待求解的回归问题，寻找一个匹配的函数
2）两层神经网络（无激活函数）
3）激活函数为ReLU和Tanh ，得到结果：
Tanh函数所得结果较ReLU更为平滑
