CS231n--Introduction&Linear classifier&Optimization

1. 感知分组 perceptual grouping
2.  面孔检测 Viola Jones Face Detector      识别领域而不是3D重建(特征--部分)
3. 可变性部件模型 deformable part model
4. PASCAL VOC 物体识别基准测试    ImageNet
5. CNN 卷积神经网络 Convolutional Neural Network 2012 used in image
6. 摩尔定律 与 大数据
7. 看图讲故事

小结
总结如下：
1. 定义了从图像像素映射到不同类别的分类评分的评分函数。在本节中，评分函数是一个基于权重W和偏差b的线性函数。
2. 与kNN分类器不同，参数方法的优势在于一旦通过训练学习到了参数，就可以将训练数据丢弃了。同时该方法对于新的测试数据的预测非常快，因为只需要与权重W进行一个矩阵乘法运算。
3. 介绍了偏差技巧，让我们能够将偏差向量和权重矩阵合二为一，然后就可以只跟踪一个矩阵。
4. 定义了损失函数（介绍了SVM和Softmax线性分类器最常用的2个损失函数）。损失函数能够衡量给出的参数集与训练集数据真实类别情况之间的一致性。在损失函数的定义中可以看到，对训练集数据做出良好预测与得到一个足够低的损失值这两件事是等价的。
A. 折叶损失(hinge loss)
B. 交叉熵损失(corss-entripy):注意数值稳定
C. 二者区别:前者更加局部目标化,对满足要求的不再考虑.后者全局性更强,永不满足.
正则化参数λ:λ越大,W更加趋向于平均