-
神经网络的本质实质是学习的能力
-
神经网络主要能应用于: classification、retrieval、detection、Segmentation、Image translation、image transfer、等等
-
图像分类是计算机视觉的核心任务、但自然界种各种因素对其分类效果造成了一定挑战
-
如：角度、光照强度、形状改变、遮蔽、相似背景、尺度、部分等等
-
神经网络的常规使用套路：
-
1.收集数据并给定标签
-
-
2.训练一个分类器
-
-
3.测试，评估
-
-
首先从线性分类来看神经网络.
-
-
f(x,W) 为每张图的得分函数
-
-
实例：得分值高的即为预测对象 下图明显预测错误
-
-
损失函数：
yi 是正确类别标签得分值 1为容忍度 可以自行设定
-
实例如下
-
-
-
-
最终损失函数
-
-
softmax 分类器 取指数 归一化 然后取-的对数
-
-
-
hinge loss 不会像神经网络一样不断追求最好 比如 10(正确类别得分) 9 9 loss 为0
-
-
反向传播计算的简单实例 反向梯度下降
-
-
-
-
-
NXD DXH1 H1XH2 H2XCLASS
-
-
RELU
-
-
归一化 drop-out 交叉验证 正则化 **函数等等问题需要考虑
相关文章：