本文为斯坦福大学CS231N课程的中文版内容笔记,已获得斯坦福大学课程Andrej Karpathy教授的授权翻译与发表。大数据文摘作品,未经授权禁止转载,转载具体要求见文末。
计算机视觉/computer vision是一个火了N年的topic。持续化升温的原因也非常简单:在搜索/影像内容理解/医学应用/地图识别等等领域应用太多,大家都有一个愿景『让计算机能够像人一样去"看"一张图片,甚至"读懂"一张图片』。
有几个比较重要的计算机视觉任务,比如图片的分类,物体识别,物体定位于检测等等。而近年来的神经网络/深度学习使得上述任务的准确度有了非常大的提升。加之最近做了几个不大不小的计算机视觉上的项目,爱凑热闹的博主自然不打算放过此领域,也边学边做点笔记总结,写点东西,写的不正确的地方,欢迎大家提出和指正。
◆ ◆ ◆
2.基础知识
python是一种长得像伪代码,具备高可读性的编程语言。
优点挺多:可读性相当好,写起来也简单,所想立马可以转为实现代码,且社区即为活跃,可用的package相当多;缺点:效率一般。
2.1.1 基本数据类型
最常用的有数值型(Numbers),布尔型(Booleans)和字符串(String)三种。
-
数值型(Numbers)
可进行简单的运算,如下:
PS:python中没有x++ 和 x-- 操作
-
布尔型(Booleans)
包含True False和常见的与或非操作
-
字符串型(String)
字符串可以用单引号/双引号/三引号声明
字符串对象有很有有用的函数:
2.1.2 基本容器
-
列表/List
和数组类似的一个东东,不过可以包含不同类型的元素,同时大小也是可以调整的。
列表最常用的操作有:
切片/slicing
即取子序列/一部分元素,如下:
循环/loops 即遍历整个list,做一些操作,如下:
可以用enumerate取出元素的同时带出下标
List comprehension 这个相当相当相当有用,在很长的list生成过程中,效率完胜for循环:
你猜怎么着,list comprehension也是可以加多重条件的:
-
字典/Dict 和Java中的Map一样的东东,用于存储key-value对:
对应list的那些操作,你在dict里面也能找得到:
循环/loops
-
元组/turple 本质上说,还是一个list,只不过里面的每个元素都是一个两元组对。
2.1.3 函数
用def可以定义一个函数:
-
类/Class
python里面的类定义非常的直接和简洁:
2.2.NumPy基础
NumPy是Python的科学计算的一个核心库。它提供了一个高性能的多维数组(矩阵)对象,可以完成在其之上的很多操作。很多机器学习中的计算问题,把数据vectorize之后可以进行非常高效的运算。
2.2.1 数组
一个NumPy数组是一些类型相同的元素组成的类矩阵数据。用list或者层叠的list可以初始化:
生成一些特殊的Numpy数组(矩阵)时,我们有特定的函数可以调用:
2.2.2 Numpy数组索引与取值
可以通过像list一样的分片/slicing操作取出需要的数值部分。
还可以这么着取:
我们还可以通过条件得到bool型的Numpy数组结果,再通过这个数组取出符合条件的值,如下:
Numpy数组的类型
2.2.3 Numpy数组的运算
矩阵的加减开方和(元素对元素)乘除如下:
矩阵的内积是通过下列方法计算的:
特别特别有用的一个操作是,sum/求和(对某个维度):
还有一个经常会用到操作是矩阵的转置,在Numpy数组里用.T实现:
2.2.4 Broadcasting
Numpy还有一个非常牛逼的机制,你想想,如果你现在有一大一小俩矩阵,你想使用小矩阵在大矩阵上做多次操作。额,举个例子好了,假如你想将一个1*n的矩阵,加到m*n的矩阵的每一行上:
更多Broadcasting的例子请看下面:
2.3 SciPy
Numpy提供了一个非常方便操作和计算的高维向量对象,并提供基本的操作方法,而Scipy是在Numpy的基础上,提供很多很多的函数和方法去直接完成你需要的矩阵操作。有兴趣可以浏览Scipy方法索引查看具体的方法,函数略多,要都记下来有点困难,随用随查吧。
向量距离计算需要特别拎出来说一下的是,向量之间的距离计算,这个Scipy提供了很好的接口scipy.spatial.distance.pdist:
2.4 Matplotlib
这是python中的一个作图工具包。如果你熟悉matlab的语法的话,应该会用得挺顺手。可以通过matplotlib.pyplot.plot了解更多绘图相关的设置和参数。
结果如下:
2.5 简单图片读写
可以使用imshow来显示图片。
关于转载如需转载,请在开篇显著位置注明作者和出处(转自:大数据文摘|bigdatadigest),并在文章结尾放置大数据文摘醒目二维码。无原创标识文章请按照转载要求编辑,可直接转载,转载后请将转载链接发送给我们;有原创标识文章,请发送【文章名称-待授权公众号名称及ID】给我们申请白名单授权。未经许可的转载以及改编者,我们将依法追究其法律责任。联系邮箱:zz@bigdatadigest.cn。