【无标题】

计算机视觉，发展起来的日子并不长，早在2012年之前，深度学习一直没有得到重视，在2012年，深处美国的李飞飞提出了ImageNet数据集，呼吁全美大学生为数据集做标签，之后提出了一项相关比赛，而在比赛中，利用神经网络来进行比赛的参赛选手，不仅获得了冠军，并且罕见的拉开了冠军和亚军之间的分数差距，之后便推动了深度学习的发展，年仅三年，在2015年深度学习计算机视觉的判断结果就超过了人类视觉，随后在2017年，李飞飞停止了比赛，开始了其他方面的研究。
在深度学习的发展过程中并不是一蹴而就，凭空就知道计算机视觉中的CNN是好用的，而是从简单的方式一步一步优化来的。而最早的图像处理方法叫做K近邻（周围什么多，则是什么）。以方块和三角两类点作为数据：

根据图中所示，在圆圈中三角的数量多于正方形，说明圆圈是三角的概率更大，因此就会将其判断为三角。他的基本流程是：1.计算已知类别数据集中的点与当前点的距离；2.按照距离进行排序；3.选取与当前点距离最小的K个点；4.确定前K个点所在类别出现的概率；5.返回前K个点出现频率最高的类别作为当前点的预测分类。

然而这种方法不太适用于计算机视觉方面，因为他是将全体像素点进行检测，不能区分主体和背景，因此分类效果并不好。
之后便逐步进行修改，主要引入的是高等代数中矩阵的内容。

首先介绍的便是线性函数，又叫做得分函数。通过计算每个类别中的得分，来进行分类。具体公式为f（x,W）=Wx+b,x是预处理后的像素点条（纵向矩阵），W为权重参数（横向矩阵），b是偏执参数。其中，有多少个类别，就有多少个W，经过计算后得出一个数，则是不同类别的得分。由于不同的情况，权重参数可能并不是时时刻刻都是最优的，因此引入了损失函数。

---

损失函数基本公式为: 。其中Sj表示其他类别得分，Si表示正确类别，1是容错。当Li<0，Li=0，损失为0。当Li0时，损失越小，结果越准确。
但既然是数值计算，就有可能出现不同数据结果相同的情况。例如输入x[1,1,1,1]，M1 w1=[1,0,0,0]，M2 w2=[0.25,0.25,0.25,0.25]，WT1=WT2=1。从这个例子中可以看出来，两个不同的类别的权重参数计算的结果是一样的，但是对比两个权重参数来说，w2对图像信息的提取更为全面，而w1更注重于一小部分，称之为过拟合。目前处理过拟合的方法多用以下两种：1.正则化惩罚项R(W)；2.DROP-OUT。
正则化惩罚项的具体使用方法为：损失函数=数据损失+λ*正则化惩罚项，R(W)的具体数值为所有权重相加，λ的取值控制着过拟合程度，λ越大，过拟合程度越小，λ越小，过拟合程度越大。

DROP-OUT的具体使用方法为随机去掉部分神经元，每次训练都不同，来降低过拟合风险。