机器学习？卷积？课程笔记1

以分类问题为例，采用机器学习的方法解决实际问题通常需要3个步骤：1.训练我们需要采集一些数据，标注它们的类别，从中选取一部分用于训练分类器，得到一个可以用于分类的分类器2.验证从采集、标注的数据中另外选取一部分，测试所得分类器的分类精度验证所用的数据不能和训练重合，以保证分类器的泛化性能：在一部分数据上训练的分类器可以在其余的数据上表现出足够的分类精度3.应用将经过验证的分类器集成到实际的业务系统中，实现对应的功能在应用阶段，分类器面对的数据都是在训练、验证阶段没有见过的。

什么是卷积？

我们人眼看到的和计算机看到的是不一样的，我们看到是图，而计算机看到的是一堆数字(像素值)。当我们人类对图像进行分类的时候，这些数字毫无用处，可他们确实计算机可以获得唯一输入。

现在的问题是：当你提供给计算机这一组数据后，他将输出描述该图像的某一特定分类的概率（比如：80%是猫、15%是狗、5%是年）。

我们人类是通过特征来区分猫和狗，现在用计算机来区分猫和狗的图片，就要计算机搞清楚猫猫狗狗各自的特征。计算机可以通过寻找诸如边缘和曲线之类的低级特点来分类图片，继而通过一系列卷积层构建出更为抽象的概念。这是CNN（卷积神经网络）工作方式的大体描述。

为什么叫卷积：CNN的确是从视觉皮层的生物学上启发的。简单地来说，视觉皮层上有小部分细胞对特定部分的视觉区域敏感。列如：一些神经元只对垂直边缘兴奋，另一些对水平或者对角边缘兴奋。