我居然3小时学懂了深度学习神经网络入门到实战，多亏了这个课程，看不懂你打我！！！

深度学习：特征提取的方法

机器学习：

1. 数据获取
2. 特征工程
3. 建立模型
4. 评估与应用

深度学习是机器学习的一部分，最大一点解决特征工程的问题。

特征如何提取：（最难的一点）

为什么需要深度学习：黑盒子，对数据进行相当负责的操作，例如把图像转换成二进制数据。

深度学习：学什么样的特征是最合适的，怎么样去提特征。

深度学习的应用：无人驾驶汽车。计算机视觉、自然语言处理。人脸识别。抖音拍视频（识别人脸等关键点在哪）。医学。

计算机视觉任务：图像分类任务。一张图片被表示成三维数组的形式，每个像素的值从0到255。

计算机视觉面临的挑战：照射角度、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

二课---图像分类

了解计算机视觉

从暗到亮

3表示3个点色通道

部分遮蔽 背景混入照射角度 形状改变

周围什么多就是什么

K=3看周围的几个

对应相减

测试结果，部分可以，那问题在哪？

主题和背景

得分函数

W权重参数，b偏执参数（微调）

W优化而来

xi不变，输入数据

Sj其他类别Syi正确类别

1：dieta（容忍程度

拉姆他：惩罚系数

放大差异Ex次幂

normalize最后的概率值

回归任务：得分值计损失

分类任务：概率值计损失

目标：使损失下降