Deep.Learning.for.Computer.Vision.with.Python-----chapter8 Parameterized Learning

---

一 参数化学习的四个组成部分

1、参数化学习（Parameterized Learning）

Parameterized Learning：定义一个给定模型的必要参数的过程。
在机器学习的任务中，参数化包括用四个关键组件来定义一个问题：数据、评分函数、损失函数、权重和偏差。

1. 数据（data）
   数据包括两种数据（即，从图像中获得的原始像素强度、提取的特征等),以及它们相关的类标签。设计矩阵中的每一行都代表一个数据点，而矩阵中的每一列（它本身可以是一个多维数组）则对应着一个不同的特征。例如，考虑在RGB颜色空间中包含100张图像的数据集，每个图像的大小为32×32像素。这个数据集的设计矩阵将是X⊆R100×（32×32×3），其中Xi定义了R中的第i个图像。除了设计矩阵外，我们还定义了一个向量y，其中yi为数据集中的第i个示例提供了类标签。
2. 评分函数（Scoring Function）
   评分函数接受我们的数据作为输入，并将数据映射到类标签。例如，给定我们的输入图像集，评分函数获取这些数据点，应用一些函数f（我们的评分函数），然后返回预测的类标签，类似于下面的伪代码：

INPUT_IMAGES => F(INPUT_IMAGES) => OUTPUT_CLASS_LABELS

3. 损失函数（loss function）
   损失函数量化了我们预测的类标签与地面真实标签的一致性程度。这两组标签之间的一致性水平越高，我们的损失就越低（分类精度也越高，至少在训练集中是如此）。
   我们在训练机器学习模型时的目标是最小化损失函数，从而提高我们的分类精度。
4. 权重和偏差（weights and biases）
   权重矩阵，通常表示为W，和偏差向量b被称为我们将要优化的分类器的权重或参数。基于我们的评分函数和损失函数的输出，我们将调整和调整权重和偏差的值，以提高分类精度。

二、使用步骤

代码如下（示例）

"""
参数化学习：定义一个给定模型的必要参数的过程
包含：1.数据
        数据包含：特征（如图像强度等）和标签类别，
    2.评价函数
    3.损失函数
    4.权重和偏差
"""
import random

import numpy as np
import cv2

#初始化类标签，并设置伪随机的种子,这样我们就可以重现我们的结果
labels = ['dog', 'cat', 'panda']
np.random.seed(1) #让随机数一样
#初始化我们的权重矩阵和偏差向量
W = np.random.randn(3, 3072)
b = np.random.randn(3)
# print(W)
# print("______"*20)
# print(b)
orig = cv2.imread("D:/DLCV/DLCV/my_study/datasets/images/dog.jpg")
image = cv2.resize(orig,(32,32)).flatten() #拉成一行 1*3027

scores = W.dot(image) + b
for (label, score) in zip(labels, scores):
    print("[INFO] {}: {: .2f}".format(label,score))
cv2.putText(orig, "Label: {}".format(labels[np.argmax(scores)]),(10, 30), cv2.FONT_HERSHEY_SIMPLEX, 0.9,(0,255,0),2)
cv2.imshow("Image",orig)
cv2.waitKey(0)




输出：
[INFO] dog:  13322.29
[INFO] cat: -3184.82
[INFO] panda:  3775.88