cs231n-图像分类：kNN与线性分类器
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
来源：程序园用户自行投稿发布，如果侵权，请联系站长删除
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！ 新版吗？好像是停更了吧。 感谢发布原创作品，程序园因你更精彩 谢谢分享，试用一下 谢谢楼主提供！ 懂技术并乐意极积无私分享的人越来越少。珍惜 收藏一下 不知道什么时候能用到 感谢分享，下载保存了，貌似很强大 很好很强大我过来先占个楼 待编辑 感谢，下载保存了 用心讨论，共获提升！ 感谢发布原创作品，程序园因你更精彩 谢谢楼主提供！ 前排留名，哈哈哈 分享、互助 让互联网精神温暖你我 很好很强大我过来先占个楼 待编辑 前排留名，哈哈哈 鼓励转贴优秀软件安全工具和文档！ 过来提前占个楼 感谢发布原创作品，程序园因你更精彩
页:
[1]
2