图像分类：
作业：（python代码）
1、knn
2、svm softmax
3、2层神经网络
图片分类
从以往经验来看目标需要在整个图像的中间，尽量占据较大的空间。
图像分类面对的挑战：
1、光照
2、物体形变
3、遮挡
4、目标和背景混淆
5、多个种类（外观有些许不同）
对于现在的机器学习的方法：
1、收集数据集
2、使用机器学习的方法训练分类器
3、通过测试集测试分类器的效果
k临近算法：
简而言之就是比较两个图像的相似度
从上图可以看出使用L1距离来表示两个图像的相似度。对于每一个测试图片通过与"训练集"相比较，找到L1最小的K个训练数据，投票选取测试数据的label。
当然距离也可以选择L2欧氏距离。
下图是选择不同的k值的分类效果。
可以看出当k增加时（k = 5）分类的边缘区域变得光滑。
在这里距离的选择（L1 或者L2）、K值的选择都可以看作是超参数。而超参数对于结果的影响与数据有关。所以可以通过交叉验证来选择超参数。
而对于训练数据和测试数据的选择，可以将原始的数据分为多份，使用多次交叉验证，结果取平均。
K临近算法局限:
1、计算量大，尤其是"训练集"比较大时，因为需要一个一个计算距离。
2、如果原始图像平移，调整亮度，那效果就会比较差。如下图：四张图片都具有相同的L2距离。
线性分类器（参数优化方法）：
在该方法中，通过一个函数去完成分类。训练的过程是通过调整参数，使得分类预测接近真实标签。
那权重w究竟是什么：
通过可视化可以看出权重文件的值和图片的内容类似（相当于将源文件图抽象）。
以上已经通过线性拟合的方式确定了输出值，但是如何评价输出的结果如何？-----loss
将输出的值和label值相比较再通过loss归一化为一个明显的数值，这样我们就知道结果究竟好不好了。
本文章为转载内容，我们尊重原作者对文章享有的著作权。如有内容错误或侵权问题，欢迎原作者联系我们进行内容更正或删除文章。
