按照之前的习惯先贴出链接: http://pan.baidu.com/s/1i51aUOX 密码: 6crw。如果有兴趣的话可以下载课程的视频和pdf。 在http://cs231n.github.io/python-numpy-tutorial/可以看到关于numpy的tutorial有兴趣的话可以下载一下。 在计算机视觉中有一个核心问题就是图片的分类问题。在我们通常意义上看到的彩色图片通常是3通道的虽然看到的是平面图片但是每个像素点后是由R,G,B三个颜色通道组合成的。对于计算机来说读的图片其实就是数字矩阵数字的大小对应于颜色所占的比重。在这个问题上其实还是有很多挑战的例如观察角度的改变光线的变化目标的变形遮挡和背景相近难以识别还有一个问题就是品质的不同在ImageNet里面有对狗的分类就有200多种不同狗的类型说实话人都分不清楚到底是什么品种计算机要分清。 现在如果想要定义一个图像分类器我们还没有一个显式的表达式来告诉计算机怎么样的目标是猫o(•ェ•)m这个真的很难。之前也有通过传统的算法取出特征来进行分类但是效果不是很好。 所以到后来使用了一个数据驱动的方法 1.收集大量的数据和标签 2.使用机器学习的方法训练一个图片分类器 3.通过测试集来评价一个分类器deftrain(train_images,train_labels):# build a model for images - labels...returnmodeldefpredict(model,test_images):#predict test_labels using the model...returntest_labels介绍的第一个分类器的名字叫最近邻分类器。然后我们使用是数据集是Cifar-10这个在tensorflow实战中LZ已经介绍过了就不多说了。下面还要引入超参数的概念通常在距离度量的时候会在L1距离马氏距离和L2距离欧式距离中进行选择这种人为设定的参数就叫做超参数。当然知道神经网络的过程的应该知道有可能是有上亿个参数的全是人为设定是不太可能的所以这些权重和偏差不不人为设定最多进行初始化。最近邻分类器还不够确切人为有的时候会进行KNN的图片分类K也是一个超参数主要是有分类的任务决定的一般像对Cifar-10数据集我们已经知道是10类那么可以人为的决定K 10就行了。但是有些时候我们实现并不知道K到底是多少那么可以采用测试数据对网络性能进行调试但是这又会出现一个问题我们调的参数是针对网络对测试集上的表现进行修改的那么网络有可能对测试集测试出的效果很好但是对测试集外的其它数据集评测出来的效果不是很好及网络的泛化能力减弱。为了解决这个方法我们通常是从训练集中抽出一部分数据集作为交叉验证集Validation set评测网络性能。使用交叉验证的方法得出最好的K。线性分类Linear Classification其实接触过神经网络的小伙伴应该都知道网络的搭建其实特别像是搭积木回到整体线性分类器总的来说是把每个像素点进行线性的组合。线性组合的方式就是加权求和最终得到10个输出值输出值越高属于那一类的可能性越大简单明了。但是如果权重选取的不好那么这个分类器就不是一个好的分类器。第2课是不是也很简单呢主要给我们介绍了一个最近邻分类器和线性分类器的一小部分内容。第3节课就会讲到损失函数优化还有卷积网络啦是不是很期待呢到底怎么样才能选到合适的权重下节课再说啦O(∩_∩)O