计算机视觉与深度学习 北京邮电大学 鲁鹏 清晰版合集（完整版）

分类器：

损失函数：

优化方法：

训练过程：

数据集：CIFA数据集

分类器设计：

图像类型：

• 二进制图像
• 灰度图像
• 彩色图像

图像表示：将图像表示为向量

• 直接将图像矩阵转换成向量

线性分类器：是一种线性映射，将输入的图像特征映射为类别分数

损失函数：

多类支撑向量机损失

正则项损失

超参数： 在开始学习过程之前设置的参数，而不是学习得到的，一般会对模型性能有着重要的影响

L2正则项

常用正则项损失：

参数优化：是机器学习的核心步骤之一，利用损失函数的输出值作为反馈信号来调整分类器参数，以提升分类器对训练样本的预测性能

优化算法目标：找到使损失函数L达到最优的那组参数W

梯度下降算法：一种简单而高效的迭代方法

1. 数值法

2.解析法

梯度下降算法的计算效率

随机梯度下降算法

小批量梯度下降算法

数据集划分：

K折交叉验证：

数据预处理：去均值、归一化、去相关（数据的协方差矩阵是对角矩阵、白化（协方差矩阵是单位j矩阵）

全连接神经网络：

如何表示图像：直接利用原始像素作为特征，展开为列向量