百度免费网站建设,成全视频在线观看高清版,扬中新闻回放视频,长沙官网网站制作公司目录
计算机视觉任务
1.K近邻算法
2.得分函数
3.损失函数的作用
4.向前传播整体流程
5.反向传播计算方法 计算机视觉任务
机器学习的流程#xff1a; 数据获取 特征工程 建立模型 评估与应用
计算机视觉#xff1a;
图像表示#xff1a;计算机眼中的图像#…
目录
计算机视觉任务
1.K近邻算法
2.得分函数
3.损失函数的作用
4.向前传播整体流程
5.反向传播计算方法 计算机视觉任务
机器学习的流程 数据获取 特征工程 建立模型 评估与应用
计算机视觉
图像表示计算机眼中的图像而一张图片被表示为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、部分遮蔽和背景混入
1.K近邻算法
K(k-Nearest NeighborKNN)分类算法是一个理论上比较成熟的方法也是最简单的机器学习算法之一。该方法的思路是在特征空间中如果一个样本附近的k个最近(即特征空间中最邻近)样本的大多数属于某一个类别则该样本也属于这个类别。
K近邻计算流程 计算已知类型数据集中的点与当前点的距离 按照距离依次排序 选取与当前点距离最小的K个点 确定前K个点所在的类别的出现概率 返回前K个点出现频率最高的类别作为当前点预测分类
数据库样例CIFAR-10
数据库简介
10类标签、50000个训练数据、10000个测试数据、大小均为32*32 图像的距离计算方式实际上与矩阵的加减法很相似。
K近邻的局限性不能用来图像分类因为背景主导是一个最大的问题我们关注的是主体主要成分
2.得分函数
根据得分函数计算出每个输入的类别得分如下我们只有类别的得分并不能评判分类效果,损失函数便是用来评估分类效果的好坏程度。
线性函数从输入---输出的映射
f(x, W) Wx
得分函数公式是一种用来描述某种情况下得分的计算方式一般用于评分、评价等方面。得分函数公式通常由多个参数组成每个参数代表一种影响因素通过对这些参数进行加权运算得出最终得分。
3.损失函数的作用
损失函数loss function是将随机事件或其有关随机变量的取值映射为非负实数的函数。
在机器学习中损失函数用于度量模型预测结果和真实结果之间的差距通常是越小越好。比如在回归问题中可以使用均方误差MSE和平均绝对误差MAE等作为损失函数在分类问题中可以用交叉熵CrossEntropy作为损失函数或者用二分类问题的二元交叉熵BCELoss等。
矩阵来源是优化而来的结果。
神经网络的作用是通过适合的矩阵Wi来处理相应的问题。 做不同任务就是损失函数的不同。
损失函数其实有很多我们需要的是一个最贴近实际的函数形式。
损失函数
这里的1相当于是一个近似值的估计。 虽然这两个模型的损失函数值相同模型A考虑的是局部模型B考虑的是全局它们两的侧重方向是不一样的只是结果恰好相同而已。
损失函数数据损失正则化惩罚项(R(W))
我们总是希望模型不要太复杂过拟合的模型是没有用的。 4.向前传播整体流程
正向传播算法也叫前向传播算法顾名思义是由前往后进行的一个算法。
Softmax分类器
现在我们得到的是一个输入的得分值但如果给我一个概率值岂不更好
如何把一个得分值转换成一个慨率值呢
这和数学建模有共同之处往往能除以一个相近的函数就能得到一个概率值。 归一化和计算损失值
向前传播 5.反向传播计算方法
举一个例子 它的函数式是f(x,y,z) (xy)z
qxy fq*z 想要求的值f对x的偏导f对y求偏导f对z求偏导。
这就是我们在高数中学到的链式法则梯度是一步一步传播的 我们所看到的绿色线就是我们上一部分向前传播计算红色的部分会把上一次的梯度携带到下一层的反向传播的计算中。
反向传播算法简称BP算法适合于多层神经元网络的一种学习算法它建立在梯度下降法的基础上。BP网络的输入输出关系实质上是一种映射关系一个n输入m输出的BP神经网络所完成的功能是从n维欧氏空间向m维欧氏空间中一有限域的连续映射这一映射具有高度非线性。它的信息处理能力来源于简单非线性函数的多次复合因此具有很强的函数复现能力。这是BP算法得以应用的基础。
