深度学习笔记（一）

计算机视觉：

图像表示：计算机眼中的图像

一张图像被表示成三维数组（三维矩阵）的形式，每个像素的值从0到255，图像中数值越大表示该点越亮，图像中数值越小表示该点越暗；

例如：300*100*3，其中300是图像的长，100是宽，3表示颜色通道的数目，一张JPG图像或者RGB图像，其颜色通道数都是3；

计算机视觉面临的挑战：照射角度改变、形状改变、部分遮蔽、背景混入

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；

神经网络基础：

1.线性函数（得分函数）：从输入--->输出的映射

每个像素点对于得分结果的作用不一样，有些像素点对于它是猫这个类别的得分是促进作用（比如猫的眼睛、耳朵），有的像素点对于它是猫这个类别起到抑制作用（比如背景），不同像素点对应于当前这个类别的重要程度不一样，3072个像素点要对应3072个权重参数，权重参数越大，表示这个像素点对分类结果越重要

权重参数起决定性影响因素，偏置参数起微调作用

计算方法：

权重参数矩阵是通过多次训练不断优化出来的，它是变化的。神经网络在整个生命周期当中所做的事情就是，什么样的W权重参数能更适合于数据去做当前这个任务，就怎么样去改变W，因为w中的值会对最终结果产生决定性影响。

 权重参数控制着整个决策边界的走势，偏置参数起微调作用

2.损失函数

损失函数等于0时代表没有损失，此处1是一个，相当于一个容忍程度，也就是正确类别得分至少得比错误类别得分高以上才是没有损失的。正确类别的损失函数的值越小，代表分类越正确。