2019.4.14 总结

上周紧紧张张的过完了一周，这周要面对其中考试，面对设计的结课考试 ，还有高数的期中，下周肯定的晚自习肯定是特别忙碌的 ，学会抵制自己内心的孤独，不要局限于眼前。
论文上周只看了一个章节，但是收获还是很大的，
2 Related Work
支持向量机SVM,是一类按监督学习方式对数据进行二元分类的广义线性分类器，其决策边界是对学习样本求解的最大边距超平面 。
SVM使用铰链损失函数计算经验风险并在求解系统中加入了正则化项以优化结构风险，是一个具有稀疏性和稳健性的分类器 [2] 。SVM可以通过核方法进行非线性分类，是常见的核学习方法之一 简单了解了一下svm
particularly CNNs, compared with conventional classifiers such as SVMs, lies with the closely coupled nature of presentation learning and classification (i.e., from raw pixels to class labels in a single network), which makes the learned feature representation maximally discriminative.
NN尤其是CNN的一个重要优势在于表示学习和分类的紧密耦合性（即在单个网络中从原始像素到类标签），这使得学习的特征表示具有最大的识别性。