李飞飞计算机视觉课CS231n第二天
1. 图像分类数据和label分别是什么 图像分类存在的问题与挑战
图像分类的数据是一张图片上的像素点。灰度图像只有一个通道,而彩色图像有RGB三个通道。
对于计算机来说,它不能辨别出这张照片上的物体。所以,我们需要向这个图片赋予标签以让计算机识别。
问题与挑战:
a. 即使是同一个物体,拍摄的角度不同,照片背后蕴含的数据也是不同的。
b. 不同的光线、背景以及被遮挡等问题也会阻碍计算机正确识别物体。
2. 使用python加载一张彩色图片,观察像素值
from PIL import Image
########获取图片指定像素点的像素
def getPngPix(pngPath = "aa.png",pixelX = 1,pixelY = 1):img_src = Image.open(pngPath)img_src = img_src.convert('RGBA')str_strlist = img_src.load()data = str_strlist[pixelX,pixelY]img_src.close()return data
print(getPngPix())
3. L1范数,L2范数数学表达式 这两种度量分别适用于什么情况
L1范数是指向量中各个元素绝对值之和。
L2范数是指向量各元素的平方和然后求平方根。
L1 是倾向于产生稀疏解,而 L2 倾向于减小参数,尽管都能简化模型,但是一般来说 L2 模型的抗过拟合的能力更好一点。并且进一步说,L1 是假定参数符合拉普拉斯分布,L2 是假定参数符合高斯分布。
4. 描述近邻算法KNN算法的复杂度 为什么很少使用在图像中以及它存在的问题
复杂度分析:
训练复杂度:KNNKNNKNN算法只是将训练数据及标签预先保存,并不涉及某些计算,复杂度为o(1)o(1)o(1)。
测试复杂度:对于某个样本xxx,需要与标签数据逐一进行对比,计算量与数据大小有关,复杂度为o(N)o(N)o(N)。
存在的问题:
a. 计算量大;
b. 样本不平衡问题(即有些类别的样本数量很多,而其它样本的数量很少);
c. 需要大量的内存。
5. 了解cifar10数据集
是由50000个训练样本和10000个测试样本组成的含有十个类别的数据集。
6. 超参数怎么选择合适(即数据集如何划分)
实际数据采集后,为了验证模型的准确性,我们要人为拆分数据集和测试集。
实际使用中,当算法在训练集表现得很完美时,应用到测试集后,往往就会发现表现得不尽如人意。因此,我们还要划分出验证集,通过训练集的训练,以及验证集验证模型的优良程度,最后在测试集作预测是比较好的选择。
这里又要导入一个交叉验证的概念,因为作为验证集后,我们就有部分数据损失没有用上,不免的有点浪费。交叉验证就不再是固定划分一块验证集了。不过训练量对比起之前的做法提高了数倍,因此交叉验证比较适用于小数据集使用。
李飞飞计算机视觉课CS231n第二天相关推荐
- 李飞飞计算机视觉课CS231n第一天
李飞飞计算机视觉课CS231n第一天 数据集 Pascal Visual Object Challenge: 20 catagories ImageNet: 22000 catagories and ...
- [深度学习基础] 斯坦福CS231n李飞飞计算机视觉Lecture 7笔记
内容列表 Lecture 7 Convolutional Neural Networks 卷积神经网络历史 卷积神经网络具体结构 卷积层 池化层 全连接层 神经网络架构发展 LeNet AlexNet ...
- [深度学习基础] 斯坦福CS231n李飞飞计算机视觉Lecture 5笔记
内容列表 Lecture 5 Training Neural Networks,Part I 神经网络的历史 训练神经网络 激活函数 数据预处理 权重初始化 批量归一化 检查学习过程 超参数优化 小结 ...
- [深度学习基础] 斯坦福CS231n李飞飞计算机视觉Lecture 1笔记
前言:目前做深度学习也有一段时间了,系统的知识也学了很多,但是大多数都是自己在网上所获得的零散的知识,最近看了李飞飞的斯坦福网上公开课,觉得可以好好的巩固一下基础,对每个Lecture做一下笔记,De ...
- CS231N斯坦福李飞飞-计算机视觉-损失函数和优化
CS231N斯坦福李飞飞-计算机视觉-损失函数和优化
- 李飞飞计算机视觉经典课程上线,今年都有哪些新内容?
[AI 科技大本营按]斯坦福的 CS231n 是深度学习和计算机视觉领域的经典课程之一.今年 4 月,由李飞飞主讲的 CS231n Spring 2018 又如约而至,截至目前,2018 年的课程视频 ...
- 李飞飞计算机视觉-自用笔记(第一周)
李飞飞计算机视觉-自用笔记(一) 1 课程介绍-计算机视觉概述 1.1 课程介绍-历史背景 2 图像分类 2.1 数据-驱动方法(机器学习) 2.2 K最近邻算法 2.3 线性分类I 3 损失函数和优 ...
- 李飞飞计算机视觉-自用笔记(第八周)
李飞飞计算机视觉-自用笔记(八) 15 深度学习高效方法与硬件 15 深度学习高效方法与硬件 庞大模型的三大挑战: 大小.速度.能源效率 解决方法: 1.算法优化: 剪枝(pruning):并非神经网 ...
- 李飞飞计算机视觉总结
李飞飞计算机视觉总结 待续- https://www.bilibili.com/video/BV1we4y137Wy/?spm_id_from=333.999.0.0&vd_source=0d ...
最新文章
- 到今天了,今天又结束了
- mysql高可用+keepalived
- NOI 2015 品酒大会
- Java/Android引用类型及其使用分析
- ABAP开发环境语法高亮的那些事儿
- BigDecimal四舍五入与保留位
- 注释嵌套注释_DIY注释
- perl java_与Perl相比Java性能问题
- android微信打不开怎么办,微信打不开怎么回事
- Linux内核信号量:二值信号量/互斥信号量,计数信号量,读写信号量
- jquery内核学习(3)--作用域分割(下)
- linux7防火墙端口映射,服务器使用firewall进行端口映射端口转发
- 计算机资源,来自verycd,排行榜
- 爱立信Ericsson
- android 蓝牙转串口_android蓝牙串口通讯
- 2021年中国研究生数学建模竞赛F题航空公司机组优化排班问题思路参考代码
- 计算机英语吕,吕的英语_我姓吕托福注册姓名的英文姓是写LYU还是LV还是LU我的护照上写的是LYU_淘题吧...
- 【项目管理/PMP/PMBOK第六版/新考纲】项目资源管理/权力理论/管理方格理论/领导生命周期理论/激励理论/马斯洛需求层次理论/赫兹伯格的双因素理论/X理论和Y理论/弗鲁姆的期望理论
- manjaro kde 20.2安装
- html table td 居中显示,table td怎么垂直居中显示 详解table中如何隐藏td?