CS231n lecture2 图像分类
课程PPT:http://cs231n.stanford.edu/slides/2017/cs231n_2017_lecture2.pdf
挑战：
1.语义鸿沟：图像像素数字和图像无关系
2.视点变换：变换相机位置后，像素点值发生改变
3.光照强弱
4.物理形变
5.遮蔽隐藏
6.背景混淆
7.组内差异
不能把物体像素点取值集合和物体的种类联合起来。
尝试：原图--->提取边缘---->提取角
数据驱动方法：
1.收集图像信息和标签
2.使用机器学习方法进行分类
3.在测试集图片上完成评估
第一个分类器：最邻近分类器
测试比较图像的距离之差
**理想状态：**预测结果快，训练数据可以适当慢一些。
K邻近算法：
K邻近算法的距离度量：
K邻近简单的图像DEMO:http://vision.stanford.edu/teaching/cs231n-demos/knn/
**超参：**K值和距离度量方法
调参的建议：
1.参数设置具有问题依赖性，具体问题具体分析
2.参数设置需要尝试，尽量选取最优
调参步骤：
1.把数据集分为训练，检测，测试三个集合，选取在测试集上表现最好的数据在测试集上测试结果
2.交叉验证，适用于小数据集，但是不要在深度学习中过度使用
调参示意图
K邻近方法在图片数据集上作用有限，因为像素距离并不是有效的信息。
总结：**
**
线性分类器：
转载于:https://my.oschina.net/clgo/blog/1507389