cs231n--图像分类-线性分类

---

title: cs231n–图像分类–线性分类
author: chenzengguang
index_img: /img/xianxingfenlei.webp
sticky: 0
categories:

• DeepLeanring
  tags:
• 人工智能

---

cs231n–图像分类-线性分类

前提是我们地图像是32×32×3的输入值，我们要取这些值然后把它们展开成一个3072长列向量，现在我们想要得出10个类的得分对于该图像我们想要最终得到10个数字，从而给出每个类别对应的得分情况

也就是说现在我们的W是10×3072的矩阵，x是3072×10的矩阵

例如：

线性分类器只是尽其所能，因为他只允许学习每个类别的一个模板，当我们来看神经网络和更复杂的模型，我们能够得到更好的准确率，因为这些模板再也没有只能每个类别学习一个单独模板的限制

线性分类器的困境：蓝色类别是图像中像素的数量，这个数字大于0，并且是奇数，任何像素个数大于0的图像，都归为红色类别，如果你真的去画这些不同的决策出现这些不同的决策取悦，你能看到我们奇数像素点的蓝色类别，在平面上有两个象限，甚至是两个相反的象限，所以我们没有办法能够绘制一条单独的直线，来划分蓝色和红色。

---

第二次学线性分类

在csdn上面看了几篇博客在补充几点：

博客地址：https://blog.csdn.net/TeFuirnever/article/details/89318500

概述：

我们将要实现一种更强大的方法来解决图像分类问题，该方法可以自然地延伸到神经网络和卷积神经网络上。这种方法主要有两部分组成：一个是评分函数（score function），它是原始图像数据到类别分值的映射。另一个是损失函数（loss function），它是用来量化预测分类标签的得分与真实标签之间一致性的。该方法可转化为一个最优化问题，在最优化过程中，将通过更新评分函数的参数来最小化损失函数值。

理解线性分类器：

线性分类器计算图像中3个颜色通道中所有像素的值与权重的矩阵乘，从而得到分类分值。根据我们对权重设置的值，对于图像中的某些位置的某些颜色，函数表现出喜好或者厌恶（根据每个权重的符号而定）。举个例子，可以想象“船”分类就是被大量的蓝色所包围（对应的就是水）。那么“船”分类器在蓝色通道上的权重就有很多的正权重（它们的出现提高了“船”分类的分值），而在绿色和红色通道上的权重为负的就比较多（它们的出现降低了“船”分类的分值）。

RlRnVpcm5ldmVy,size_16,color_FFFFFF,t_70#pic_center)

对于线性回归函数f=w*x+b，对w的每一个值进行改变时相当于每一条分界线选择，对b的值进行改变相当于每一天分界线的平移，