【无标题】

模型设计

首先呢我们引入一个问题叫图像分类, 这个东西在数学上表达就是说我们找一个函数去输入图像，输出图像属于不同类别的概率，这个函数在数学上是个函数，实际上是以一种层次化的方式去构建，这是所谓的深度学习。具体的构建方式取决于里面你这个东西的一些结构。它可以是卷积也可以是多头注意力去形成的Transformer，然后我们可能针对这种计算有些优化，得到一些轻量化的网络，或者也可以尝试去搜索一些网络，搜索的网络结构可以直接拿来用。

模型学习

设计好一个模型之后，我们尝试给模型去解一组比较好的参数。

最常见的解法是监督学习，它是基于标注的数据学习，然后需要定义一个损失函数，使用优化算法（随机梯度下降算法）去找这个最优的解。在这个过程中我们可能需要引入很多很多的trick（训练技巧）去让训练结果变得更好。

如果你的数据很多，但是数据对应的标签很少的话，也可以尝试用一些自监督学习的方法，它是基于无标注的数据学习，学习出一些比较好的特征，这个特征可能反过来更好的解决分类这个问题。

总结

实际上分类在整个计算机视觉领域里面是一个非常基础的问题，基于这个问题的推动，我们也看到了很多这个模型，或者说这个特征的出现。

分类的任务还可以变一变放到别的任务里面，可以做很多计算机视觉任务，比如检测分割等等。