本文共 1588 字，大约阅读时间需要 5 分钟。

课程地址：

http://write.blog.csdn.net/mdeditor 课件地址： http://cs231n.stanford.edu/slides/2017/

本节课程内容简介：

图像分类的

图像分类对于人来来说是很容易的事情。但是对于机器来说却很困难，这是因为对机器输入一幅图片，它不是看到一幅图像，而是得到一个具有不同数值的巨大矩阵（网络），比如800x800像素的图像，它接受到的是800x800个像素，RGB通道的各个值构成的三维矩阵。根据这个矩阵，机器要输出一个类别，与图像的标签进行对比，相同则分类正确。

（语义差距） 语义上的标签与输入的像素值存在巨大的差别。 有很多因素会导致图像的像素矩阵会完全改变，比如拍照的角度移动一点点，那图像像素矩阵的值都会改变，但这个图像代表的仍然是猫。另外一些因素有光照、不同形态、遮挡、背景干扰、猫的种类不同等。 以上图片的类别都应该输出猫，尽管它们的图像矩阵区别可能很大。 编写分类程序的思想： 最简单的分类器：KNN 在CIFAR-10数据集上训练模型并验证。 KNN的思想是，输入一个图像，找到与它最相似的K个图片集合，然后选择这个图片集合中类别最多的一个类别。那么，图像类别预测的问题就转化为，如何把两幅图像进行比较。这里用的是L1距离，又称曼哈顿距离。 使用python实现这个KNN的程序代码如下： 因为图像的分类过程会与数据集中的每一幅图做比较（曼哈顿距离），假设图像数据集的容量为N，则要计算N次，时间复杂度是O(N).训练时间复杂度是O(1),预测时间复杂度O(N)。 图像分类的速度与数据集的大小成线性函数。（然而我们希望在训练时花费时间没有关系，关键在测试的时候要快啊。） 在实践中，测试时间表现非常重要。 距离矩阵还可以选择L2距离，又名欧几里得距离。 L1取决于你选择的坐标系，如果你改变了坐标系，也会改变两个像素点的L1距离。L2则不论在什么坐标系，都不会改变两个像素点的距离。所以如果你的输入特征，单个的向量有重要的意义，那么选择L1比较合适。如果你不知道各个输入的向量代表什么，那就选择L2。通过选择不同的距离矩阵，我们可以将KNN应用于各种类型的数据，不止向量，不止图像，还可以用于文本等。 KNN的分类效果如下：

不同颜色的点为不同类别。

选择超参数的方法：

使用K折来验证模型的性能。 （在深度学习中，K折交叉验证的代价太大了，一般不会这么做。）

KNN在图像分类上的表现不佳，且它的距离矩阵（L1 OR L2）计算图像之间的差别都不合适。 比如在上图中显示的，这四幅图像（orginal,shifted,messed up,darkened）的L2距离都相同（刻意制作的），然而KNN无法很好的捕捉图像的这些特征。 神经网络搭建者~底下几层的卷积层，顶层的线性分类器。 对于一个模型，我们输入一幅图像，想要得到一个句子来描述它。 为了达到以上的效果，我们需要让一个卷积神经网络（CNN）“看着”这幅图，然后再让一个循环神经网络(RNN)输出这个描述。然后我们就像搭积木一样，把这些网络结构叠在一起。深度学习就像搭建积木，而线性分类器就是那一个个积木 回到CIFAR-10数据集 [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-Fa1DZEAr-1572932709262)(https://img-blog.csdn.net/20170814155903112?watermark/2/text/aHR0cDovL2Jsb2cuY3Nkbi5uZXQvTlhIWUQ=/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70/gravity/SouthEast)] 最简单的分类过程：