1. 深度学习简介|计算机视觉简介|得分函数|损失函数作用|前向传播整体流程

机器学习是一个大块，其中就包含着深度学习，计算机视觉等

机器学习的流程：

1. 数据获取
2. 特征工程
3. 建立模型
4. 评估与应用

深度学习简介

深度学习通过特征学习进行相关操作。

深度学习是学习样本数据的内在规律和表示层次，这些学习过程中获得的信息对诸如文字，图像和声音等数据的解释有很大的帮助。它的最终目标是让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据。 深度学习是一个复杂的机器学习算法，在语音和图像识别方面取得的效果，远远超过先前相关技术。

计算机视觉简介

计算机视觉：

1. 图像分类任务（一张图像由一个三维数组进行表述，比如3001003实际上就是高*长*3颜色通道（red blue green））
2. 计算机视觉面对的挑战:照射角度，形状改变，部分遮蔽，背景混入

k近邻算法

计算流程：

1. 计算已知类型数据集中点与当前点的距离。
2. 按照距离依次排序
3. 选取与当前点距离最小的k个点
4. 确定k个点所在类别的出现的概率
5. 返回k个点出现概率最高的类别作为当前点预测分类。

分析：

1. knn算法本身简单有效，是一种lazy-learning算法
2. 分类器不需要使用训练集进行训练，训练时间复杂度为0
3. knn分类的计算复杂度和训练集中的文档数目成正比。也就是说，如果训练集中文档总数为n，那么knn的分类时间复杂度为O(n)
4. k值的选择，距离度量和分类决策规则是该算法的三个基本要素

通过检测实际的运作后发现，不能使用k近邻进行图像分类：

1. 背景主导是一个最大的问题，我们关注的却是主体部分。
2. 引出我们该如何让机器学习了解那些事最为重要的部分。

得分函数

1. 线性函数
   f(image，parameters)此得分函数（线性函数）将每个像素点与每个像素点的权重进行运算得出其得分点，得到每一个类的得分。
   
   

损失函数作用

多组权重参数构成了决策边界

损失函数的实际就是衡量我们分配任务过程中的好坏程度，帮助我们更好的分类。

举个例子：

这就是一个简单的损失函数，具体的计算即是：比如第一张图我们明显得知这是一张猫，但是对于w来说，他判断的car的权重确是最大的，我们就可以计算其损失函数，右边蓝色最上面的计算过程，得到一个损失的值，代表需要的修改。

而为什么有+1呢，理解就是这是为了避免w太接近导致计算机识别不出来。或者理解为我们的容忍度，至少需要这么多，才能证明是两类。

但是实际上，我们的损失函数还需要加上一个正则化惩罚项，也即代表着我们希望w进行充分的分配比如(0.25,0.25,0.25,0.25)而不会由于某种情况训练成(1,0,0,0).

前向传播整体流程

softmax分类器：