CS231N 學(xué)習(xí)筆記 Lecture_1&2 CNN簡(jiǎn)介 圖像分類

視頻鏈接:b站 有字幕 .?https://www.bilibili.com/video/av16388822/?from=search&seid=6753351402600537490

Lecture_1

主要說(shuō)了一些CV的歷史發(fā)展

1973年错负,如何識(shí)別物品,思想是復(fù)雜對(duì)象都是由簡(jiǎn)單元素組成的责鳍,例如圓柱體和圓形绳矩。

2000左右主要使用統(tǒng)計(jì)機(jī)器學(xué)習(xí)相關(guān)方法垢啼,例如SVM肮街,神經(jīng)網(wǎng)絡(luò)等铭拧。



在2011年惹恃, 上圖的最左側(cè),分層的傍睹,首先計(jì)算一些功能隔盛,接著計(jì)算本地的不變性,經(jīng)過(guò)加工后輸入給線性SVM

2012年拾稳,Hinton吮炕,七層卷積神經(jīng)網(wǎng)絡(luò),AlexNet

之后的網(wǎng)絡(luò)更深


CNN出現(xiàn)與1998年访得,貝爾實(shí)驗(yàn)室来屠,用于識(shí)別數(shù)字。經(jīng)過(guò)十幾年流行起來(lái)的原因1.計(jì)算機(jī)的計(jì)算能力增強(qiáng)。2.過(guò)去沒有很多有標(biāo)注的數(shù)據(jù)俱笛。


Lecture_2:

Image Classification pipeline

python學(xué)習(xí)鏈接:http://cs231n.github.io/python-numpy-tutorial/

google cloud使用地址:http://cs231n.github.io/gce-tutorial/

1. 根據(jù)邊界線----太脆弱了,效果不好传趾。

2. 神經(jīng)網(wǎng)絡(luò)分類器

1)分類器:最近鄰


數(shù)據(jù)集例子:CIFAR10迎膜,有10類,五萬(wàn)個(gè)訓(xùn)練集浆兰,一萬(wàn)個(gè)測(cè)試集

如何對(duì)比圖片:L1 distance

時(shí)間復(fù)雜度:訓(xùn)練O(1)磕仅,predict:O(N)

k近鄰可以使得分類更加準(zhǔn)確,邊緣更加平滑簸呈。



可視化:http://vision.stanford.edu/teaching/cs231n-demos/knn/

白色部分:沒有最近鄰的


選擇在驗(yàn)證集上表現(xiàn)最好的一組參數(shù)榕订,按照該參數(shù)訓(xùn)練好模型后,在測(cè)試集上跑的結(jié)果才出現(xiàn)在報(bào)告或者論文中蜕便。所以只有在最后才接觸測(cè)試集劫恒。

K近鄰方法不適用于圖像分類的原因:1. 圖像的相似性用L1或L2距離不適用。2.緯數(shù)災(zāi)難轿腺,緯數(shù)越高則越需要更多的數(shù)據(jù)去覆蓋空間两嘴。


2)線性分類器 Linear classifiers

最簡(jiǎn)單的模型為:參數(shù)模型,令輸入圖片為32x32x3族壳,偏置項(xiàng)不與訓(xùn)練數(shù)據(jù)交互憔辫,只是提供某種數(shù)據(jù)的獨(dú)立性。如果數(shù)據(jù)中喵占比例比汪大仿荆,那么就增加喵的偏置項(xiàng)

線性分類器為了學(xué)習(xí)一個(gè)模版贰您,如果這個(gè)類有什么變化,分類器會(huì)想要平衡所有的不同的外表拢操,而使用單一的模版锦亦。

線性分類器每個(gè)類只有一個(gè)模版


對(duì)于線性分類器來(lái)說(shuō)很難的案例:

?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請(qǐng)聯(lián)系作者
  • 序言:七十年代末,一起剝皮案震驚了整個(gè)濱河市庐冯,隨后出現(xiàn)的幾起案子孽亲,更是在濱河造成了極大的恐慌,老刑警劉巖展父,帶你破解...
    沈念sama閱讀 222,729評(píng)論 6 517
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件返劲,死亡現(xiàn)場(chǎng)離奇詭異,居然都是意外死亡栖茉,警方通過(guò)查閱死者的電腦和手機(jī)篮绿,發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 95,226評(píng)論 3 399
  • 文/潘曉璐 我一進(jìn)店門,熙熙樓的掌柜王于貴愁眉苦臉地迎上來(lái)吕漂,“玉大人亲配,你說(shuō)我怎么就攤上這事。” “怎么了吼虎?”我有些...
    開封第一講書人閱讀 169,461評(píng)論 0 362
  • 文/不壞的土叔 我叫張陵犬钢,是天一觀的道長(zhǎng)。 經(jīng)常有香客問(wèn)我思灰,道長(zhǎng)玷犹,這世上最難降的妖魔是什么? 我笑而不...
    開封第一講書人閱讀 60,135評(píng)論 1 300
  • 正文 為了忘掉前任洒疚,我火速辦了婚禮歹颓,結(jié)果婚禮上,老公的妹妹穿的比我還像新娘油湖。我一直安慰自己巍扛,他們只是感情好,可當(dāng)我...
    茶點(diǎn)故事閱讀 69,130評(píng)論 6 398
  • 文/花漫 我一把揭開白布乏德。 她就那樣靜靜地躺著撤奸,像睡著了一般。 火紅的嫁衣襯著肌膚如雪鹅经。 梳的紋絲不亂的頭發(fā)上寂呛,一...
    開封第一講書人閱讀 52,736評(píng)論 1 312
  • 那天,我揣著相機(jī)與錄音瘾晃,去河邊找鬼贷痪。 笑死,一個(gè)胖子當(dāng)著我的面吹牛蹦误,可吹牛的內(nèi)容都是我干的劫拢。 我是一名探鬼主播,決...
    沈念sama閱讀 41,179評(píng)論 3 422
  • 文/蒼蘭香墨 我猛地睜開眼强胰,長(zhǎng)吁一口氣:“原來(lái)是場(chǎng)噩夢(mèng)啊……” “哼舱沧!你這毒婦竟也來(lái)了?” 一聲冷哼從身側(cè)響起偶洋,我...
    開封第一講書人閱讀 40,124評(píng)論 0 277
  • 序言:老撾萬(wàn)榮一對(duì)情侶失蹤熟吏,失蹤者是張志新(化名)和其女友劉穎,沒想到半個(gè)月后玄窝,有當(dāng)?shù)厝嗽跇淞掷锇l(fā)現(xiàn)了一具尸體牵寺,經(jīng)...
    沈念sama閱讀 46,657評(píng)論 1 320
  • 正文 獨(dú)居荒郊野嶺守林人離奇死亡,尸身上長(zhǎng)有42處帶血的膿包…… 初始之章·張勛 以下內(nèi)容為張勛視角 年9月15日...
    茶點(diǎn)故事閱讀 38,723評(píng)論 3 342
  • 正文 我和宋清朗相戀三年恩脂,在試婚紗的時(shí)候發(fā)現(xiàn)自己被綠了帽氓。 大學(xué)時(shí)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(diǎn)故事閱讀 40,872評(píng)論 1 353
  • 序言:一個(gè)原本活蹦亂跳的男人離奇死亡俩块,死狀恐怖黎休,靈堂內(nèi)的尸體忽然破棺而出浓领,到底是詐尸還是另有隱情,我是刑警寧澤势腮,帶...
    沈念sama閱讀 36,533評(píng)論 5 351
  • 正文 年R本政府宣布联贩,位于F島的核電站,受9級(jí)特大地震影響捎拯,放射性物質(zhì)發(fā)生泄漏撑蒜。R本人自食惡果不足惜,卻給世界環(huán)境...
    茶點(diǎn)故事閱讀 42,213評(píng)論 3 336
  • 文/蒙蒙 一玄渗、第九天 我趴在偏房一處隱蔽的房頂上張望。 院中可真熱鬧狸眼,春花似錦藤树、人聲如沸。這莊子的主人今日做“春日...
    開封第一講書人閱讀 32,700評(píng)論 0 25
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽(yáng)。三九已至微王,卻和暖如春屡限,著一層夾襖步出監(jiān)牢的瞬間,已是汗流浹背炕倘。 一陣腳步聲響...
    開封第一講書人閱讀 33,819評(píng)論 1 274
  • 我被黑心中介騙來(lái)泰國(guó)打工钧大, 沒想到剛下飛機(jī)就差點(diǎn)兒被人妖公主榨干…… 1. 我叫王不留,地道東北人罩旋。 一個(gè)月前我還...
    沈念sama閱讀 49,304評(píng)論 3 379
  • 正文 我出身青樓啊央,卻偏偏與公主長(zhǎng)得像,于是被迫代替她去往敵國(guó)和親涨醋。 傳聞我的和親對(duì)象是個(gè)殘疾皇子瓜饥,可洞房花燭夜當(dāng)晚...
    茶點(diǎn)故事閱讀 45,876評(píng)論 2 361

推薦閱讀更多精彩內(nèi)容