Abraham畅游码农世界

图片分类学习动机.在这一节中我们会引入图片分类为题。这也是从一个合适的集合中分配给图片一个标记的任务。这是计算机视觉的核心问题之一。鉴于它的简单性，有一大批实用应用。更多的是，我们可以在以后的章节中看到，一些看似分离的计算机视觉任务（例如类别监测，分割）都可以归为图片分类。举例例如，如下的图片模型可以提取一个图片并给他四种label的可能性（猫，狗，帽子，杯子）。在图片中可以看到，一个图片在计算机中

作为我们学习的第一个方法，我们会开发一个叫最近邻分类器的东西。这个分类器与卷积神经网络(CNN）没有什么关系并且在实际中很少用到。但是他会让我们对图片分类问题的基础算法有一个初步的了解。 如图，分类数据集为：CIFAR-10。一个非常有趣的图片分类数据集是CIFAR-10数据集。这个数据集包含60000个32*32像素的小图片。每个图片都被标记成十种类别中的一种（例如“airplane, auto

你可以注意到当我们做预测的时候，如果仅仅用最近的图片的是远远不够的。其实，我们更常用的是k近邻分类器。这个思想非常简单。代替寻找训练集中最近的图片，我们会寻找k个最相近的图片，并且让他们再测试图片上投票。特别的，再k=1的时候，我们已经涵盖了最近邻分类器。只管来说，更高的k值有一个平滑的影响使得分类器对极端值有更好的处理： 这张图表达了最近邻分类，和5-最近邻分类之间的差距，用二维的电荷3个类别（

综述我们提出一个更加有效地算法来处理图片分类。这个算法也是神经网络和卷积神经网络的基础。这个方法有两个组件：1、得分函数：将数据映射到类分数，2、损失函数：来计算预测分数和真实函数之间的差距。我们会把这个叫做优化问题。因为我们会尽可能的用改变得分函数的参数来降低损失函数的值。把图片映射到标记分数上第一个组件就是定义一个函数将图片的像素值映射到一个分类置信分数中去。我们会用一个很坚实的例子来开发这个方