圣都装饰长沙市seo百度关键词

声明：根据ppt以及子豪哥的讲解，同时含有自己的一些理解，逐渐构成的该部分文章。若有哪里有问题，欢迎各位积极提出宝贵的意见，谢谢大家。
十分感谢cs231n的课程老师以及b站up主：同济子豪兄

1.概述

图像分类，物体检测。

宗旨：

2.图像分类：kNN与线性分类器

图像分类：只要检查出对应物体的类别即可

数据驱动方法：

Nearest Neighbor

最近邻居算法：简单理解就是想要判断一个人是否是一个好人，就看看离他最近的人是不是好人，若是好人，那他大概率是好人；若不是，则他大概率也不是好人。

数据集：32x32x3

如何衡量两张图片是否相近？

• L1距离（曼哈顿距离）：对应位置向量相见，求取绝对值

K-Nearest Neighbors

该算法不只是看与我们的目标最近的数据，而是看与它最近的多个数据。（可能3个，5个等）

L2距离

kNN算法中的超参数 （hyperparameters） 如何选择？

最好的方式就是既有训练集，有验证集，同时也要有测试集。

对于小的数据集要尽力使每个数据集发挥出应有的作用。

选取准确率最高的k值

缺陷：运行速度比较慢等

维度诅咒：随着维度的增加，数据的个数成指数爆炸的，计算量很大。

Summary

k和距离度量的指标是两个超参数，需要人工指定。->可以使用验证集的方式进行划分

线性分类

一张32x32的3通道图（2072个向量），给每个自变量（向量）乘上一个权重，那我们乘上十个不同的权重，就会得到10个分类器。

图像变成长向量，再矩阵相乘对应不同物体的权重（猫，狗，船）加上截距（偏执（猫，狗，船））最后得出对应每个物体的分数，从中找到最大的分数作为预测结果。

其实和上面表达的一个意思

将3072个权重还原成32x32x3的图像大小，可得出32x32x3的彩色图像（可视化解释）：

例如青蛙，可以看到青蛙的权重图，中间的绿色比较比较多，对于图像中间有绿色的比较敏感~

线性分类器就是在n维空间中的一个线性边界，在一维空间中是一个点，在二维空间中是一个直线，在三维空间中是一个平面，在高维空间中是一个超平面。

我们的十个线性分类器就相当于在3072维的空间，画了十个线性的超平面（把10个物体进行分开）

线性分类的缺陷：无法对非线性问题进行分类

代数解释，可视化解释，几何解释