引言:
本博客主要用于记录斯坦福公开课cs231n的学习笔记。
1.需要的工具:
- Python3.8
- Numpy
- Cifar-10-batches-py
2.数据驱动(Data Approach)
1.计算机呈现图片的方式是数字阵列(gigantic grid of numbers),图像可能就是一些800 * 600 的像素,每一个像素由红绿蓝三个值组成。*
2*.(1)*收集图标和标签的数据集
(2)使用机器学习训练一个分类器。
(3)使用分类器测试新图片。
3.最近邻居分类器(Nearest Neighbor)
1.L1 距离:d(i,j)=|X1-X2|+|Y1-Y2|.测试图像的每个像素与训练图像相减的绝对值的和。这个和就是两张图片的差异度。
2.训练函数:
def train(images, labels):
#Machine learning
return model
3.预测函数:
def predict(models):
#Use model to predict labels
return test_labels
4.实际效果:测试准确率很低,不到40%.
5.完整代码需要的请私信。