CS231斯坦福深度视觉学习课程学习笔记——1~2章

1.计算机视觉的理解：

如果阿尔法狗的围棋实力，让你觉的计算机已经全方位的超越了人类，那么在视觉识别上你可以树立自信了，毕竟目前来看，没有任何一个机器的视觉能力能够达到甚至超越人类的水平，同样的一张图片，在我们眼中是各式各样的信息，但是在计算力的眼里，只是一堆数字矩阵。

说到视觉，不得不讲一讲计算机形成图片的方法，每张计算机图片都有自己的像素，像素是形成图片的小方格，比如一张600x800的像素图片，那么这张图片是由600x800个小方格组成的，每个方格填充了一种颜色，在我们的眼里，就形成了一张精致的图片，而计算机表示颜色的方法，是用一个三位数字表示红绿蓝三原色的比例，例如“543”就表示红：绿：蓝=5：4：3，所以计算机理解的图片，是一个像素大小的矩阵，其中每个元素都是一个三位数字，所以，计算机很难像我们一样在绝地求生的画面中迅速发现敌人的存在。

2.三种最基础的图片分类算法：

讲算法之前，先谈谈两个评价图片之间相似性的距离指标，

Manhattan distance,曼哈顿距离，两张图片的数字矩阵相同位置的数值相减，对所有元素取绝对值的和

欧式距离：两张图片的数字矩阵相同位置的数值之差的平方和，最后再开根号。

这两种距离的差别我们可以看一下下面这张图，选取了横轴和纵轴两个指标，L1距离下，处于菱形轮廓上的任意一点的图片，与原点的距离是相等的；L2距离下，处于圆上任意一点的图片，与原点的距离是相等的。两种距离没有好坏之分，要根据我们的实际应用需要选取，但是我们要注意到，L1距离对坐标轴是有依赖的，因为旋转坐标轴，会改变等距离线，而对于L2距离，我们知道圆上任意一点到圆心的距离是相等的，所以L2距离不依赖坐标轴。

最近邻分类器（Ｎearest Neighbor classifier），  对一张新的图片，与已知标签的所有图片进行比对，将距离最近的图片标签赋给新的图片。

KNN分类器，对于一张新的图片，计算其与已知标签的所有图片的距离，选取距离最近的K张图片，K张图片中标签的众数赋给新图片。

线性分类器（Linear classifier），模型表示为f(X,W)=W*X+b,这里的X,W,b都表示矩阵，X表示特征变量组成的列向量，W表示不同变量的权重矩阵，b是常数列向量，模型训练的过程就是对W和b的训练过程，对于一张新的图片，Linear分类器直接将估计好的W,b和图片的X带入，求解出一个列向量，行数表示要分类的类数，每一行代表这个图片在这一类的得分，最后将图片判给得分最高的类别。

线性分类器的优势在于，模型的训练时间很长，但预测时间很短，这意味着我们可以使用大型计算机长时间的训练，将最后的W和b输出给小型计算机，比如浏览器或者手机，在这些小型终端可以快速预测；而上面两种算法，每一次预测需要遍历每个训练集的图片，很难应用到手机等方面。同时，线性分类器也是神经网络的基础。

以上是我个人浅薄的理解，希望各位高手帮忙指正，有什么意见尽管提，我一定虚心改正，因为我不是学计算机的，这些数据分析步骤的程序语言我会随着学习逐步补全。

希望每个人都能对未知的领域保持最起码的敬畏和尊重