cs231n_01

课程的重点：
图像分类(目标检测，图像摘要）
pzza网站上去进行讨论吧。

cs231n得到谷歌云的支持，在上面可以运行。需要使用python && Numpy

计算机理解图片存在 语义鸿沟：不能从众多数字中提取特征

需要从背景复杂的图片，或者千姿百态的猫咪图片，有遮挡的图片中 find the cat,以及类内差异，不同形状，大小，年龄的cats。

数据驱动方法

CIFAR 10数据集
K近邻算法(训练快，测试却慢正好与卷积神经网络相反）落伍了，我们希望训练的慢，但是测试的快，不妨试试卷积神经网络。

K近邻算法，总是给K赋一个比较大的值，从而使得决策边界更加平滑。
KNN:
L1距离(曼哈顿距离）：二者之差取绝对值 ，取决于所选的坐标系
L2距离(欧式距离）：二者之差的平方和取根号

并非在训练时准确率越高越好哦，我们追求的是在未知数据上的准确率越高越好。
还有一种只分成训练集和测试集，然后训练使用不同的超参数，选择在测试集上准确率最高的那个作为最终结果，也不行。因为可能只是在这上面好。

最常见的便是分为训练集，验证集，测试集。在训练集训练超参数，验证集评估取最好，在测试集上跑一跑。

K近邻算法不适合用于区分图片，向量化的距离函数不适合表示图像之间视觉的相似度。另一个问题：维度灾难，若希望分类器有好的训练效果，则需要训练数据能密集的分布，需要指数倍数的训练。