图像归一化、特征向量的距离（欧式距离、余弦相似性）的理解

#PS：要转载请注明出处，本人版权所有

#PS:这个只是 《 我自己 》理解，如果和你的

#原则相冲突，请谅解，勿喷

前言

最近的大部分时间都在学习图像和DL相关知识，并做一定的应用，这里对我学习过程中的一些基础知识进行了整理。

图像归一化

归一化就是将图像像素值(列如：[0,255])经过一定的计算，使其所有的像素值变换到某一个特定的区间（列如：[0,1]或者[-1,1]）。
我所理解的归一化的作用有以下：
1 减小对图像处理的计算量
2 消除亮度对图片的影响，避免带来了亮度信息的干扰。
3 消除图像中的极大特征对图像处理的影响，使的图像的特征更均匀，同时也使得图像中的极小特征能够表现出来，不会被抑制。
4 加快神经网络的收敛，原理就是目标函数输入参数取值范围越小，其等高线近似圆，而不是椭圆，使得梯度下降更快。

特征向量距离

这里有两种方法把我搞懵逼了。

欧氏距离

我们常见的二维空间计算两点距离的公式：dst=sqrt((x1-x2)^2+(y1-y2)^2) 就是欧氏距离在二维空间的定义，多维空间同理。
（我理解为：这个距离主要是用来计算两个向量中两个点之间的距离,结果对数值非常敏感，突出的是一种数值大小的感受，如判断图片的分类时，对图片进行打分）

余弦相似性

余弦定理：cosM=(向量A.向量B)/||A||*||B||，描述向量A、B的方向的差异。
（我理解为：这个相似性是描述的两个向量的方向差异，对数值不敏感，突出的是一种相似性的感受，列如人脸特征向量的对比）

其他还有很多方法，但是我没有用到

#PS：请尊重原创，不喜勿喷

#PS：要转载请注明出处，本人版权所有.

有问题请留言，看到后我会第一时间回复