今天的计算机视觉基础课听了斯坦福C231N的两个视频，然后啥都没懂，搜了一下博客，稍微学一下，希望大概能理解个概念。

KNN

看了这篇博客，看了中文的材料之后立马知道是在干什么了，想听懂英文课，虽然带了字幕（感觉是字幕翻译不到位的锅，反正甩了再说，免得影响心态），果然还是很难。

k-NearestNeighbor，k最近邻，就是判断某一个样本类型的时候，找他k个最近的邻居，大多数邻居是什么类型它就判定成什么类型。这么一看，马上就觉得knn不是看视频的时候那个云里雾里的东西了。

然后再回过来看视频配套的ppt，这一部分：

左图是标记好类型的图片，希望对右图第一列的每张图片，找到k个最近的邻居。所以才顺理成章地引出下面的问题：如何比较两张图片的距离？

于是有了像素值对应直接相减，将差值相加的这第一种思路：

但是距离的选择是一个hyperparameter，超参数。看视频的时候很懵，后来查了查，超参数就是需要人工确认的参数，另一种从数据学习和评估中得到的称为模型参数。那么这里提到了它的两种选择：

Manhattan距离和Euclidean距离。

后面讲述对训练集选取、k值选取的内容，讲到了knn算法从未真正用到过图像识别上过，因为自身存在诸多缺陷。

Linear Classification

看到了这篇博客，非常详细了，就是对着这份cs231n来写的。knn到linear classification讲解的过渡是很有意思的，knn性能上的缺陷就非常明显，对于每一个样本，都要去和所有数据比较，而线性分类器训练完成之后，输入的数据进行矩阵乘法和加法就可以得到预测结果，可以说是非常有帮助的。