CS231n简介
详见 CS231n课程笔记1:Introduction。
注:斜体字用于注明作者自己的思考,正确性未经过验证,欢迎指教。
课程笔记
这篇是CS231n课程笔记2.1:图像分类问题简介&KNN的下篇,两篇一起构成Lecture2的笔记。
上一篇介绍了kNN,那个是无参数的算法,只需要记录训练集即可,所以对于大数据集,kNN的模型很大。
这里先简介线性分类器,线性体现在score的获得是与输入特征成线性关系,但是Loss的计算可以是非线性的。不同的Loss Function以及正则项对应于不同的分类器。
1. 线性分类器的解释
- 权值表示每个pixel对于某类的重要程度,类似于模板匹配(不同于pixel与模板对应值相同,而是大小的趋势相同)。
注:由这个解释可知,线性分类器很容易欺骗,而且能力低下,例如马的权值需要整合两个方向的马头。而且对于线性分类器,很大程度依赖于颜色,例如飞机的分类基本都是蓝色。 - 每张图片是分布在高维空间中的点,分类器去学习一个分割高维空间的超平面。