CS231n 学习笔记_图像分类任务入门

图像分类任务，

输入原始图像，输出图像的标签

图像分类的难点，

视角，尺寸，光线，遮挡，变形，背景，类别等不一致

图像的一般任务，

分类，检测，分割，图像描述等

方法，

传统图像分类方案，提取特征，针对性的设计分类器；

数据驱动，模型学习特征，完成分类等任务；

收集数据，进行标注，训练模型，评估模型，部署模型。

经典的数据集，

MNIST, CIFAR10, ImageNet

简单的数据驱动示例，

模型本身就是所有的数据，无需训练。

在推理时，按照L1 loss，找最近邻，得到标签。

最近邻的参数，
        类别数，最近邻的数量，最近的函数

数据的分组，训练数据、评估数据、测试数据。

测试数据真正的用来测试，评估数据用于调参，测试数据用于模型的最终评估。

但是这种方法有问题

        需要足够的数据去覆盖多维空间，几乎不可能。

        推理时做最近邻计算，非常慢。

        简单的初始状态的最近邻函数，效果不会特别好。