1. 影象分類資料和label分別是什麼 影象分類存在的問題與挑戰
影象分類的資料是一張上的畫素點。灰度影象只有乙個通道，而彩色影象有rgb三個通道。
對於計算機來說，它不能辨別出這張**上的物體。所以，我們需要向這個賦予標籤以讓計算機識別。
問題與挑戰：
a. 即使是同乙個物體，拍攝的角度不同，**背後蘊含的資料也是不同的。
b. 不同的光線、背景以及被遮擋等問題也會阻礙計算機正確識別物體。
2. 使用python載入一張彩色，觀察畫素值
from pil import image
########獲取指定畫素點的畫素
defgetpngpix
(pngpath =
"aa.png"
,pixelx =
1,pixely =1)
: img_src = image.
open
(pngpath)
img_src = img_src.convert(
'rgba'
) str_strlist = img_src.load(
) data = str_strlist[pixelx,pixely]
img_src.close(
)return data
print
(getpngpix(
))
l1範數是指向量中各個元素絕對值之和。
l2範數是指向量各元素的平方和然後求平方根。
l1 是傾向於產生稀疏解，而 l2 傾向於減小引數，儘管都能簡化模型，但是一般來說 l2 模型的抗過擬合的能力更好一點。並且進一步說，l1 是假定引數符合拉普拉斯分布，l2 是假定引數符合高斯分布。
4. 描述近鄰演算法knn演算法的複雜度 為什麼很少使用在影象中以及它存在的問題
複雜度分析：
訓練複雜度：knn
knnkn
n演算法只是將訓練資料及標籤預先儲存，並不涉及某些計算，複雜度為o(1
)o(1)
o(1)
。測試複雜度：對於某個樣本x
xx，需要與標籤資料逐一進行對比，計算量與資料大小有關，複雜度為o(n
)o(n)
o(n)
。存在的問題：
a. 計算量大；
b. 樣本不平衡問題（即有些類別的樣本數量很多，而其它樣本的數量很少）；
c. 需要大量的記憶體。
5. 了解cifar10資料集
是由50000個訓練樣本和10000個測試樣本組成的含有十個類別的資料集。
6. 超引數怎麼選擇合適（即資料集如何劃分）
實際資料採集後，為了驗證模型的準確性，我們要人為拆分資料集和測試集。
實際使用中，當演算法在訓練集表現得很完美時，應用到測試集後，往往就會發現表現得不盡如人意。因此，我們還要劃分出驗證集，通過訓練集的訓練，以及驗證集驗證模型的優良程度，最後在測試集作**是比較好的選擇。
這裡又要匯入乙個交叉驗證的概念，因為作為驗證集後，我們就有部分資料損失沒有用上，不免的有點浪費。交叉驗證就不再是固定劃分一塊驗證集了。不過訓練量對比起之前的做法提高了數倍，因此交叉驗證比較適用於小資料集使用。
李飛飛計算機視覺課CS231n第一天
pascal visual object challenge 20 catagories imagenet 22000 catagories and 14 millions images 是一種基於特徵的目標識別。用乙個 stop 標識去匹配另乙個 stop 標識非常困難，因為有很多變化的因素，比如...
CS231N斯坦福計算機視覺公開課筆記
p6 視覺化卷積神經網路 導向反向傳播讓輪廓更明顯，找到識別最大的原始影象 p9 cnn 網路工程的實踐技巧，3 3 卷積，步長為1 padding 1 使得feature map 維度不變。兩個3 3 替換乙個5 5 感受野相同，可以減少引數，非線性變換的次數增多。輸入h w c，c是通道數，要c...
cs231n學習筆記 第三課
1.損失函式 loss function 用於評價分類器表現，變數為 值和實際值 判斷 結果 multiclass svm loss function 考慮第i張，xi為其畫素值，yi為其標籤，s為其分類結 是乙個向量，我們將所有的非目標類別的值與分別與目標類別的值做差，如果結果大於一定值 這裡是 ...