2019-08-17 深度学习简介

 一  简介与入门

IMAGENET:图像分类比赛促进了深度学习卷积神经网络发展。

黑科技：image transfer（图像融合）

图像分类：计算机视觉核心任务

计算机中图像被表示成三维数组的形式，每个像素值为0-255[RGB]  像素点的值比较大  亮度越大

图像分类的挑战：1光照强度2形状改变3部分遮蔽（核心困难）4背景混入

深度学习常规套路：

1.数据收集并给定标签

2.训练分类器（神经网络）

3.测试评估

二 K-近邻算法

1 计算已知数据集中的点与当前点的距离

2 按照距离一次排序

3 选取与为支点距离最小的k个点

4 确定前k个点算在类别的出现概率

5 返回k个点出现概率最高的类别最为当前预测分类

概述： KNN本身简单有效 lazy-learning  训练复杂度为0 分类的复杂度O(n)

数据集样例：CIFAR-10 （10个标签 50000训练数据 10000 测试数据 大小32*32）

L1（Manhattan）distance

L2（Euclidean） distance

测试结果：训练集+验证集  ++ 测试集（交叉验证）

三 线性分类

出现错误 怎么修正-损失函数