作業(yè)1:k-NN震庭、SVM瑰抵、SoftMax、Two-layer Network

在本作業(yè)中器联,將基于k-最近鄰(k-Nearest Neighbor)或者SVM/Softmax分類器實踐一個簡單的圖像分類流程二汛。本作業(yè)的目標如下:

  • 理解基本的圖像分類流程和數(shù)據驅動方法(訓練與預測階段)。
  • 理解訓練拨拓、驗證肴颊、測試分塊,學會使用驗證數(shù)據來進行超參數(shù)調優(yōu)渣磷。
  • 熟悉使用numpy來編寫向量化代碼婿着。
  • 實現(xiàn)并應用k-最近鄰(k-NN)分類器。
  • 實現(xiàn)并應用支持向量機(SVM)分類器醋界。
  • 實現(xiàn)并應用Softmax分類器竟宋。
  • 實現(xiàn)并應用一個兩層神經網絡分類器。
  • 理解以上分類器的差異和權衡之處形纺。
  • 基本理解使用更高層次表達相較于使用原始圖像像素對算法性能的提升(例如:色彩直方圖和梯度直方圖HOG)丘侠。

注:本文采用本地操作完成作業(yè)。

0 環(huán)境搭建

  1. 官方教程就是在Linux上進行的逐样,但是虛擬機里的ubuntu速度太慢了蜗字,就在Windows上操作打肝。
  2. 下載作業(yè)zip文件:點擊這里
  3. 解壓zip文件,命令行進入assignment1 文件夾挪捕,使用conda命令創(chuàng)建Python3.6虛擬環(huán)境闯睹,并安裝依賴包:
conda create -n assignment1 pip python=3.6       # 創(chuàng)建python3.6虛擬環(huán)境
activate assignment1                             # 激活虛擬環(huán)境
pip install -r requirements.txt                  # 安裝依賴包,我是一個個裝的担神,貌似不好用
# 安裝完成后退出虛擬環(huán)境即可
deactivate                                       # 退出虛擬環(huán)境

每次打開jupyter notebook時需要先激活這個虛擬環(huán)境楼吃。

當然也可以直接用anaconda自帶的python3.7解釋器,不需要安裝任何依賴包妄讯,直接進行下一步操作孩锡。

  1. 下載CIFAR-10數(shù)據集。有兩種方式亥贸,一是可以去Linux系統(tǒng)躬窜,按照官方操作,進入assignment1文件夾炕置,執(zhí)行:
cd cs231n/datasets
./get_datasets.sh

將下載的數(shù)據拷貝到Windows下相同位置即可荣挨;另一種方式是直接去官網下載,解壓到cs231n/datasets朴摊,下載地址點擊這里默垄。

data_batch_1 ~ data_batch_5 是劃分好的訓練數(shù)據,每個文件里包含10000張圖片甚纲,test_batch 是測試集數(shù)據口锭,也包含10000張圖片。這幾個文件都是通過 pickle 產生的介杆,所以在讀取的時候也要用到這個包鹃操,下面是讀取代碼:

import pickle

def load_CIFAR_10_file(filename):
    with open(filename, 'rb') as f:
        dict = pickle.load(f, encoding='latin1')  # 讀取到的是一個字典
    return dict

batch1 = load_CIFAR_10_file('E:/計算機視覺/cs231n 2017 spring/作業(yè)/assignment1\cs231n\datasets\cifar-10-batches-py/data_batch_1')
print(batch1.keys())
print(batch1['batch_label'])
print(batch1['labels'][0])
print(batch1['data'][0])
print(batch1['filenames'])

輸出結果為:
  • batch_label
    對應的值是一個字符串,用來表明當前文件的一些基本信息春哨【0  
    如果是 data_batch_1 這個文件,里面的值就是:training batch 1 of 5
  • labels
    對應的值是一個長度為10000的列表赴背,每個數(shù)字取值范圍 0~9椰拒,代表當前圖片所屬類別。
  • data
    10000 * 3072 的二維數(shù)組癞尚,每一行代表一張圖片的像素值耸三。(32*32*3=3072)
  • filenames
    長度為10000的列表,里面每一項是代表圖片文件名的字符串浇揩。

作業(yè)中使用的是斯坦福自己編寫的方法,功能更強大憨颠。

  1. 啟用IPython notebook服務器胳徽,輸入指令:jupyter notebook积锅,自動進入瀏覽器打開Notebook,選擇打開Assignment1里的 .ipynb文件即可养盗。注意要在assignment1目錄下打開jupyter notebook缚陷。

至此,應該可以愉快的寫作業(yè)了往核!

本人答案:點擊這里

第一次作業(yè)比較簡單箫爷,就不寫攻略了。難點只有向量化操作以及反向傳播聂儒,主要還是鍛煉numpy的使用虎锚。

最后編輯于
?著作權歸作者所有,轉載或內容合作請聯(lián)系作者
  • 序言:七十年代末,一起剝皮案震驚了整個濱河市衩婚,隨后出現(xiàn)的幾起案子窜护,更是在濱河造成了極大的恐慌,老刑警劉巖非春,帶你破解...
    沈念sama閱讀 217,185評論 6 503
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件柱徙,死亡現(xiàn)場離奇詭異,居然都是意外死亡奇昙,警方通過查閱死者的電腦和手機护侮,發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 92,652評論 3 393
  • 文/潘曉璐 我一進店門,熙熙樓的掌柜王于貴愁眉苦臉地迎上來储耐,“玉大人概行,你說我怎么就攤上這事』≡溃” “怎么了凳忙?”我有些...
    開封第一講書人閱讀 163,524評論 0 353
  • 文/不壞的土叔 我叫張陵,是天一觀的道長禽炬。 經常有香客問我涧卵,道長,這世上最難降的妖魔是什么腹尖? 我笑而不...
    開封第一講書人閱讀 58,339評論 1 293
  • 正文 為了忘掉前任柳恐,我火速辦了婚禮,結果婚禮上热幔,老公的妹妹穿的比我還像新娘乐设。我一直安慰自己,他們只是感情好绎巨,可當我...
    茶點故事閱讀 67,387評論 6 391
  • 文/花漫 我一把揭開白布近尚。 她就那樣靜靜地躺著,像睡著了一般场勤。 火紅的嫁衣襯著肌膚如雪戈锻。 梳的紋絲不亂的頭發(fā)上歼跟,一...
    開封第一講書人閱讀 51,287評論 1 301
  • 那天,我揣著相機與錄音格遭,去河邊找鬼哈街。 笑死,一個胖子當著我的面吹牛拒迅,可吹牛的內容都是我干的骚秦。 我是一名探鬼主播,決...
    沈念sama閱讀 40,130評論 3 418
  • 文/蒼蘭香墨 我猛地睜開眼璧微,長吁一口氣:“原來是場噩夢啊……” “哼作箍!你這毒婦竟也來了?” 一聲冷哼從身側響起往毡,我...
    開封第一講書人閱讀 38,985評論 0 275
  • 序言:老撾萬榮一對情侶失蹤蒙揣,失蹤者是張志新(化名)和其女友劉穎,沒想到半個月后开瞭,有當?shù)厝嗽跇淞掷锇l(fā)現(xiàn)了一具尸體懒震,經...
    沈念sama閱讀 45,420評論 1 313
  • 正文 獨居荒郊野嶺守林人離奇死亡,尸身上長有42處帶血的膿包…… 初始之章·張勛 以下內容為張勛視角 年9月15日...
    茶點故事閱讀 37,617評論 3 334
  • 正文 我和宋清朗相戀三年嗤详,在試婚紗的時候發(fā)現(xiàn)自己被綠了个扰。 大學時的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片。...
    茶點故事閱讀 39,779評論 1 348
  • 序言:一個原本活蹦亂跳的男人離奇死亡葱色,死狀恐怖递宅,靈堂內的尸體忽然破棺而出,到底是詐尸還是另有隱情苍狰,我是刑警寧澤办龄,帶...
    沈念sama閱讀 35,477評論 5 345
  • 正文 年R本政府宣布,位于F島的核電站淋昭,受9級特大地震影響俐填,放射性物質發(fā)生泄漏。R本人自食惡果不足惜翔忽,卻給世界環(huán)境...
    茶點故事閱讀 41,088評論 3 328
  • 文/蒙蒙 一英融、第九天 我趴在偏房一處隱蔽的房頂上張望。 院中可真熱鬧歇式,春花似錦驶悟、人聲如沸。這莊子的主人今日做“春日...
    開封第一講書人閱讀 31,716評論 0 22
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽。三九已至豺憔,卻和暖如春额获,著一層夾襖步出監(jiān)牢的瞬間够庙,已是汗流浹背恭应。 一陣腳步聲響...
    開封第一講書人閱讀 32,857評論 1 269
  • 我被黑心中介騙來泰國打工抄邀, 沒想到剛下飛機就差點兒被人妖公主榨干…… 1. 我叫王不留,地道東北人昼榛。 一個月前我還...
    沈念sama閱讀 47,876評論 2 370
  • 正文 我出身青樓境肾,卻偏偏與公主長得像,于是被迫代替她去往敵國和親胆屿。 傳聞我的和親對象是個殘疾皇子奥喻,可洞房花燭夜當晚...
    茶點故事閱讀 44,700評論 2 354

推薦閱讀更多精彩內容