從本篇開始我將會(huì)給大家詳細(xì)的講解神經(jīng)網(wǎng)絡(luò)以及最經(jīng)典的卷積神經(jīng)網(wǎng)絡(luò)。

    我們都知道神經(jīng)網(wǎng)絡(luò)是機(jī)器學(xué)習(xí)的一個(gè)分支，而神經(jīng)網(wǎng)絡(luò)的延伸和豐富又形成了一個(gè)新的學(xué)科：深度學(xué)習(xí)。深度學(xué)習(xí)目前主要應(yīng)用在計(jì)算機(jī)視覺領(lǐng)域，也就是對(duì)圖片的識(shí)別檢測(cè)和分類。但是既然是圖像處理，處理結(jié)果就會(huì)受到一下幾個(gè)因素的影響：

1. 照射角度

改變拍照的角度，改變物體的位置，要求能夠識(shí)別????

2. 光照強(qiáng)度

上圖中亮度強(qiáng)的白貓可以一眼識(shí)別，而亮度低的黑貓識(shí)別起來則有一定的難度。

3. 形狀改變????

物體形狀的改變也會(huì)增加識(shí)別的難度，即使是同一個(gè)物體

4. 部分遮蔽

擋住部分物體，依舊能識(shí)別

5. 背景混入

圖片的背景可能對(duì)主物體形成一些干擾。?????

如果按照常規(guī)的機(jī)器學(xué)習(xí)方法進(jìn)行圖片分類的話，就會(huì)受到以上集中因素的影響。比如我們看下k-近鄰??????????

k-近鄰的算法我們可以稍微回憶一下：

對(duì)于未知類別的屬性點(diǎn)：????

1.計(jì)算已知類別數(shù)據(jù)集中的點(diǎn)與當(dāng)前點(diǎn)的距離

2.按照距離依次排序

3.選取與當(dāng)前點(diǎn)距離最小的K個(gè)點(diǎn)

4.確定前K個(gè)點(diǎn)所在類別的出現(xiàn)概率

5.返回前K個(gè)點(diǎn)出現(xiàn)頻率最高的類別作為當(dāng)前點(diǎn)預(yù)測(cè)分類。

    比如說有這樣的一個(gè)樣本庫(kù)：

    我們使用k近鄰的算法來計(jì)算，距離的計(jì)算我們先采用像素點(diǎn)像素值直接相減，最后加和所有像素點(diǎn)值的方式來計(jì)算測(cè)試樣本和每個(gè)訓(xùn)練樣本的距離：???

但是直接相減的方式容易造成比較大的偏差，所以我們采用歐式距離，開根號(hào)可以中和一部分的誤差，并且可以應(yīng)用于多維空間。????

    這里我們介紹的L1和L2以及K值都是超參數(shù)，就是需要我們手動(dòng)設(shè)置的參數(shù)。那么如何選擇超參數(shù)也顯得尤為關(guān)鍵。如何進(jìn)行超參數(shù)的調(diào)優(yōu)呢？這里我簡(jiǎn)單介紹一下交叉驗(yàn)證：??

    在機(jī)器學(xué)習(xí)中，我們通常希望評(píng)估模型在未見過的數(shù)據(jù)上的表現(xiàn)，而不僅僅是在訓(xùn)練數(shù)據(jù)上的表現(xiàn)。交叉驗(yàn)證通過有效地利用有限的數(shù)據(jù)來進(jìn)行模型評(píng)估，尤其適用于在數(shù)據(jù)量有限的情況下進(jìn)行模型選擇和超參數(shù)調(diào)優(yōu)。

    如圖所示，fold12345，我們可以1234作為訓(xùn)練集，5作為測(cè)試集，也可以1345作為訓(xùn)練集，2作為測(cè)試集，以此類推。交叉驗(yàn)證的基本思想是將原始數(shù)據(jù)分成若干份，其中一部分作為訓(xùn)練集，另一部分作為測(cè)試集。在每一輪交叉驗(yàn)證中，都會(huì)選擇不同的訓(xùn)練集和測(cè)試集，以評(píng)估模型在不同數(shù)據(jù)子集上的表現(xiàn)。我們根據(jù)綜合結(jié)果來校準(zhǔn)超參數(shù)。所以選取超參數(shù)的正確方法是：將原始訓(xùn)練集分為訓(xùn)練集和驗(yàn)證集，我們?cè)隍?yàn)證集上嘗試不同的超參數(shù)，最后保留表現(xiàn)最好那個(gè)。使用交叉驗(yàn)證方法，它能幫助我們?cè)谶x取最優(yōu)超參數(shù)的時(shí)候減少噪音。??????????????

    k近鄰的測(cè)試結(jié)果如下所示：

    我們可以看到測(cè)試結(jié)果并不理解，究其原因就是最先開始我們說到的因素，僅僅按照像素來進(jìn)行比較是不夠的，圖像更多的是按照背景和顏色被分類，而不是語(yǔ)義主體分身。

假如我們對(duì)圖像進(jìn)行移位 部分模糊和調(diào)暗處理，并且使之和原來的圖片距離都是100，我們可以看到這些圖片都是不同的圖片，但在k近鄰算法里他們是同一個(gè)，所以結(jié)果并不準(zhǔn)確。????

    本片主要講解了傳統(tǒng)機(jī)器學(xué)習(xí)算法在計(jì)算機(jī)視覺領(lǐng)域應(yīng)用的局限性，下期我們接著介紹，神經(jīng)網(wǎng)絡(luò)是如何準(zhǔn)確進(jìn)行圖片處理的，喜歡的點(diǎn)個(gè)關(guān)注和在看哦～精彩內(nèi)容不容錯(cuò)過本文轉(zhuǎn)載自????人工智能訓(xùn)練營(yíng)???，作者：小A學(xué)習(xí)