深度学习

由图像分类浅谈深度学习

图像分类：计算机视觉核心任务
每一张图片被表示为三维数组的形式
图片由像素点拼接（0-255）
像素点越大在该处的亮度越高
每个像素点的范围都是（0-255）
照射角度，光照强度，形状改变，部分遮蔽（最核心），背景混入都是图像分类需要考虑的地方。

图像分类常规套路
1 收集数据并给定标签
2 训练一个分类器（神经网络）
3 测试，评估

def train(train_images,train_labels):
#build a model for images -> labels…
return model //训练函数

def predict(model,test_images):
#predict test_label using the model…
return test_labels //预测函数

k-近邻算法（不能使用）
计算已知类别数据集中的点与当前点的距离，按照距离依次排序，指定一个k值，选取与当前点距离最小的k个点，确定前k个点所在类别的出现概率，返回前k个点出现频率最高的类别作为当前点预测分类。
优点：简单有效，训练时间复杂度为0
缺点：训练集中文档数与计算复杂度成正比，效率太低。
测试集只能最后用，所以需要新的验证方式
交叉验证：
可以将训练集分为几部分，一部分用来做验证集（调节参数）；
1 2 3 4->5
1 3 4 5->2
…

卷积神经网络的应用

卷积操作 ，可以简单的理解成为在一幅图图像上用了10个卷积核从而产生了第一层，REUL就是max(0,thresh)函数，就是说，大于thresh的就是255，否则就是0。POOL操作就是把上一层的结果进行放缩，例如把上一层的2*2邻域内的像素相加，加biase，作用于sigmoid函数之后的结果。之后我们会来详细的探讨这些操作。最后呢有一个softmax回归。就是对应于逻辑回归，softmax可以是多分类器。会发现是一个汽车的概率最大了，我们认为这个输入的图片就是汽车。这样就能比较准确的识别一张图片了。