图像识别技术与应用学习总结②

一.机器学习——监督学习与无监督学习、分类、回归、标注、推荐系统、序列问题

• 监督学习:

擅长在“给定输入特征”的情况下预测标签。每个“特征-标签”对都称为一个样本(example)。我们的目标是生成一个模型，能够将任何输入特征映射到标签（即预测）。

监督学习的学习过程:

 (按照老师的讲解，监督学习与无监督学习的区别说白了就是有无标签)

• 无监督学习:

数据中不含有标签的机器学习问题。(包含以下几项问题)

• 聚类问题
• 主成分分析问题
•  因果关系和概率图模型(白噪图)
• 生成对抗网络

 

 

• 回归问题——平方误差损失函数

回归是训练一个回归函数来输出一个数值；

回归是最简单的监督学习任务之一。平方误差可以预测结果与实际的差距。(一般相差不大，比如实际值是9，预测值大概也许会在8~10之间)

• 分类问题——交叉熵

分类是训练一个分类器来输出预测的类别。

样本属于“哪一类”的问题称为分类问题。分类问题希望模型能够预测样本属于哪个类别。有二项分类与多项分类。

比如:

猫狗识别:二项识别(因为不是猫就是狗)

同理可得男女分类也是二项识别。

 

 

手写数字识别:多项识别

• 标注问题

学习预测不相互排斥的类别的问题称为多标签分类 (multi-label classification)一个样本（一个图片或者一个候选框）中含有多个物体，标注的label也是多个的，多个类间并不是互斥的，多选多比如：多目标检测、短视频分类

• 推荐系统

(推荐系统千人千面，如果面对不同的人推荐相同的东西，那这个推荐系统也许做的不是很成功)

目标是向特定用户进行“个性化”推荐。例如，对于电影推荐，科幻迷和喜剧爱好者的推荐结果页面可能会有很大不同。

• 序列问题

·输入和输出都是可变长度的序列。(标记和解析，自动语音识别，文本到语音，机器翻译）

二.深度学习(强化学习)

智能体在一系列的时间步骤上与环境交互。在每个特定时间点，智能体从环境接收一些观察，并且必须选择一个动作，然后通过某种机制（有时称为执行器）将其传输回环境，最后智能体从环境中获得奖励。此后新一轮循环开始，智能体接收后续观察，并选择后续操作，依此类推。

 三.回归到多分类

回归:三个连续数值输出，自然区间与真实值的区别作为损失。

 

分类:通常多个输出，输出的i表示预测为第i类的置信度。

 例如:

一张图片进行预测

x₁＝o₁=猫     x₂＝o₂=狗     x₃＝o₃=熊     x₄＝鹿

o₁=0.6    o₂=0.3   o₃=0.1

那最后预测的结果是猫

(因为使用均方损失训练，最大值作为预测结果)

四.损失函数

Huber损失

 交叉熵

 通常用于比较概率分布

 所学内容已总结完毕 (*^▽^*)