CS231n的全称是CS231n: Convolutional Neural Networks for Visual Recognition,即面向视觉识别的卷积神经网络。该课程是斯坦福大学计算机视觉实验室推出的课程。 课程官网:http://cs231n.stanford.edu/ 官方笔记:http://cs231n.github.io/ B站视频:https://www.bilibili.com/video/av58778425 课程作业:https://github.com/Burton2000/CS231n-2017
主要是计算机视觉概述和背景。
数据驱动的分类方法是指:
KNN用于图片分类:将两张图片先转化为两个向量(向量的维度为像素数量)$I_1$和$I_2$,再计算两者的距离$L_1$或者$L_2$(距离的选择是一个超参数),找距离最近的k个图片的标签,让他们针对测试图片进行投票,把票数最高的标签作为对测试图片的预测。
距离函数是K近邻算法的关键.常用的有L1距离,L2距离等.通过不同的距离函数还可以将K近邻算法泛化到任何类型的数据上.
K指的是邻居的个数,可以使用交叉验证调优。
K近邻算法中的K值和距离函数就是典型的超参数:需要人为设置,而不能由算法学习得到.选择超参数的常见作法就是将数据集分为训练集,验证集,测试集.使用验证集来选择超参数,并在测试集得到结果.如果数据集较小,还可以采用交叉验证的方法进行选择. 划分数据集
交叉验证
交叉验证选择K值