【深度学习】01 - 图像识别

K最近邻法-KNN

现在用的比较少，因为其比较耗费内存，运行速度较慢

练习：
CIFAR-10数据集
60000张32*32小图片，总共10类，50000张训练和10000测试

下图第一行，左侧为大量的飞机数据，右侧第一个为需要识别的图片，而KNN只是做像素上的识别，所以第六张图还能给出一匹马，两个图片在像素上比较接近。

N折交叉验证法

就是 把训练集分成N个部分，训练其他的N-1个，使用另一个部分进行测试。这样的轮番测试，我们就可以进行训练N次。

KNN总结：

如果去做图像识别，KNN准确度不高，主要原因是
1、找不到很好的特征去表征图像。
2、要记录全部的训练数据
3、训练速度慢

线性分类器

得分函数

我们首先将一个图像进行向量化，如3232的一个彩色猫（下图所示，CIFAR-10），它可以表示成一个32323（RGB三种颜色通道）的列向量，W是每一个参数的权重 ，W为什么是103072呢，3072好解释，就是每一个向量值的对应，10是指这个向量集合中已知是十种类别，每一种类别的得分。 然而W权重的数值范围以及选取，是由数据训练得来的

损失函数（代价函数）

给定W，可以由像素映射到类目的得分
可以调整参数\权重W，使得映射的结果和实际类别吻合
代价函数就是用来衡量吻合度的

损失函数1：hinge loss/支持向量机损失

上图最后一行的说明：max里边的。结果是第一类，则第一类的得分是基本准确额，那么，13就是最终需要的数，我们将其他两种类型的得分分别减去13，正确的分类的得分，再加上一个 区别量△

区别量△：要求最终的图片各种类型的得分，要与正确的分类的得分之间相差10，才算满足条件。如这是一张猫，猫的分类得分是13，此时，狗的分类为-7之间相差20>10，则说明狗的分类得分是满足最终要求的

损失函数2：互熵损失（softmax分类器）