cs231n（2）

公开课精讲内容：
如何让计算机读懂图像——计算机视觉的发展历史与广泛应用
计算机视觉解决的基本问题——分类、定位、检测、分割
机器学习利器——神经网络与深度学习
如何训练神经网络——梯度下降、反向传播、优化器
计算机视觉里程碑——卷积神经网络
巨人肩膀——各经典卷积神经网络架构研究
打破黑箱，可解释性——可视化卷积神经网络
画框框与抠图图——物体检测与图像分割
边缘计算，万物互联——加速卷积神经网络运算
序列分析与机器创作——循环神经网络、LSTM、GRU
周伯通的左右手互博——生成对抗网络GAN
从下围棋到自然选择——深度学习与强化学习
人工智能的江湖——各大深度学习框架对比与入门
【实战内容】
可视化LeNet-5手写数字识别模型
Tensorflow-playground神经网络可视化工具
projector-embedding高维数据降维可视化
深度学习框架Keras破冰，快速上手
水果图像识别
Kaggle数学科学竞赛案例——肺炎医疗影像识别诊断
微信小程序案例：肺炎医疗影像辅助诊断
Kaggle数学科学竞赛案例——猫狗大战图像分类
可视化卷积神经网络
YOLOv3物体检测——对手机相册里的图片画框框
调用电脑摄像头进行人脸检测
调用电脑摄像头进行人边缘检测
风格迁移——将手机相册中的图片变为梵高星空画风

回顾：图像分类问题、kNN、线性分类、交叉验证、线性分类器
得到了某张图片每个类别对应的“分数”之后，我们就可以比较“分数”与真实标签，构造损失函数，定量衡量模型分类效果，进行后续的模型优化。
本节课，我们会介绍铰链损失函数、交叉熵损失函数，softmax多分类、正则化等机器学习基础知识，然后通过梯度下降的求导方法对线性分类模型进行优化改进。通过交互式网页生动形象直观体验线性分类器的完整训练过程。