#深度学习到卷积(从零开始超详细)

深度学习

机器学习流程

1.数据获取

2.特征工程

3.建立模型

4.评估与应用

深度学习应用

1.无人驾驶汽车

2.人脸识别

3.医学领域(基因组和...)

4.变脸

5.分辨率重构

.

.

.

.

.

计算机视觉

图像分类任务:

像素值越低越暗

300 * 100 * 3:

长:300

宽:100

颜色通道:3

机器学习常规套路

1.收集数据并给定标签

2.训练一个分类器

3.测试,评估

K近邻算法

K=3:看周围最近的3个是什么

看它周围什么多他就是什么

K近邻计算流程

距离的选择

训练数据与测试数据各个像素点相减:

缺点

无法确定主体,如果背景相同就会被分类到一起

神经网络基础

线性函数

有些像素点对于确定猫是促进作用,有些像素点是抑制作用

W:每个像素点的对照程度不一样(权重参数不一样)

X:像素点的值

3072:每个类别对于每个像素点的权重参数

10:十个不同类别(猫 狗 汽车 轮船...)

b: 偏执参数 (微调操作)

10x1:十个不同类别各自进行微调

计算方法

三分类:

像素点:

56,231,24,2

W:

是3x4的矩阵,3代表3分类 4代表4个像素点

正值代表对该分类起促进作用

负值代表对该分类起抑制作用

计算方法:

0.2 x 56 + -0.5 x 0.1 x 24 + 2.0 x 2 + 1.1 = -96.8

-96.8:对应猫的得分

W通过梯度下降算法优化而来(随机出初始化一个3x4矩阵 通过不断优化更新而来)

损失函数