深度学习笔记（一）

一张图片被表示成三维数组的形式，每个像素的值从0到255，图片上的值代表像素点，值越大越亮。
例如: 300* 1003 指的是图片的长宽*颜色
3=RGB
1=黑白图

---

一、机器学习的步骤：

1.收集数据并给定标签。标签的意思是加入你有一对猫和狗的图片，你要给猫图片定义一个猫的标签，给狗的图片定义一个狗的标签。
2.训练一-个分类器，例如逻辑回归、随即森林
3. 测试，评估。

---

二、找参数：

把数据分为 train、val、test
交叉验证：例如：把训练集平均分成5份，然 后进行建模。
第一步：1234建模->5测试；
第二步：1235建模->4测试；
.
.
.
第n步：1325建模->4测试；
将测试结果求和取平均。

---

三、对图像进行分类：

1、 f（x，w）

• f（x，w）：x指的是图像，由像素点组成；w指的是权重参数。每个像素点都要指定一个参数，参数可以判断哪些像素点重要，哪些像素点不重要。

---

• 这只猫是一个输入，他是3维的。一般计算采用向量，即把图像拉长32 * 323=3027 * 1的列向量。所以一共有3072个像素点，因为有3072个像素点所以有3072个权重参数。即猫的类别的权重参数为3072 * 1的横向量。相乘得到1 * 1，即一个类别得的分值。10个类别即10 * 1。b指的是偏置，每一个类别都要加上自己的一个偏置
  如下图：
  
  例如：我们下面的猫是2 * 2的矩阵，将他转化为41的矩阵。w：权重越大，说明越重要。
  通过比对我们发现训练的并不好，因为狗的结果为437.9，最大。
  

---

2、损失函数

• 我们发现模型训练错了，所以我们要用损失函数来告诉模型训练错了。损失函数越大，代表分类越不准。通过计算发现汽车的损失函数为0，所以汽车的分类正确。
  

---

3、Softmax分类器：

Softmax输出的是概率，我们得到每一个类别的得分值，通过它可以将的得分值转换为概率形式表达损失值。

下面是一个Sigmoid函数，概率值为【0,1】，该函数的y轴也为【0,1】。所以通过这个Sigmoid函数把数值转换成概率。

Softmax实例

exp这步是将数值映射到y轴，使得数值的差距更明显、清晰；归一化是将数值转换成小数，使得这三个数相加为1；最后通过公式得到猫损失值0.89，损失值越接近1，表示分类越不准。