01深度学习与人工智能简介
什么是人工智能？
观察周围的世界，把看到的事物加以理解，最后通过理解进行一系列的决策。
感知+理解+决策。
学习的能力，是智能的本质！
大数据时代
大数据时代造就了人工智能的高速发展
深度学习
上世纪九十年代就已经存在。
2012年Alex-net在ImageNet图像分类比赛中一炮打响。
2016年阿尔法狗战胜李世石说明人工智能时代来临。
百度绘制传统AI算法与深度学习算法对比
深度学习述说图片的故事
无人驾驶汽车
1.物体检测
2.行人检测
3.标志识别
4.速度识别
……
02计算机视觉面临挑战与常规套路
图像分类：计算机视觉核心任务
图像在计算机中长什么样呢？
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。
像素点可以直接与亮度挂钩，像素点越大，亮度越高。
挑战：照射角度
挑战：光照强度
挑战：形状改变
挑战：部分遮蔽
挑战：背景混入
深度学习的套路
1.收集数据并给定标签
2.训练一个分类器
3.测试，评估
03用K近邻来进行图像分类
1.如果K=3，绿色圆点的最近3个邻居是2个红色小三角形和1个蓝色小正方形，少数服从多数，基于统计的方法，判定绿色的这个待分类点属于红色的三角形一类。
2. 如果K=5，绿色圆点的最近5个邻居是2个红色小三角形和3个蓝色小正方形，少数服从多数，基于统计的方法，判定绿色的这个待分类点属于蓝色的正方形一类。
对于未知类别属性数据集中的点：
1.计算已知类别数据集中的点与当前点的距离
2.按照距离依次排序
3.选取与当前距离最小的K个点
（K最好选为奇数）
4.确定前K个点所在类别的出现概率
5.返回前K个点出现概率最高的类别作为当前点的预测分类
K-近邻概述
KNN算法本身简单有效，它是一种lazy-learning算法。
分类器不需要使用训练集进行训练，训练时间复杂度为0。
KNN分类的计算复杂度和训练集中的文档数目成正比，也就是说，如果训练集中文档总数为n，那么KNN的分类时间复杂度为O（n）。
K-近邻缺陷
K值的选择，距离度量和分类决策规划是该算法的三个基本要素。
问题：该算法在分类时有个主要的不足是，当样本不平衡时，如一个类的样本容量很大，而其他类样本容量很小时，有可能导致当输入一个新样本时，该样本的K个邻居大容量类的样本占多数。
解决，不同的样本给予不同权重项。
数据库样例：CIFAR-10
10类标签
50000个训练数据
10000个测试数据
大小均为32*32
如何计算
04超参数与交叉验证
超参数
问题：
1.对于距离如何设定？
2.对于K近邻的K该如何选择？
3.如果有的话，其他超参数该怎么设定？
解决：
找到最好的参数：多次用测试数据实验，找到做好的一组参数组合。
但这是错误的想法，因为测试数据只能最终使用。
交叉验证
参见：python人工智能——机器学习——模型选择与调优
背景主导导致不能用K-近邻进行图片分类
总结
1.选取超参数的正确方法是：将原始训练集分为训练集和验证集，我们在验证集上尝试不同的超参数，最后保留表现最好那个。
2.如果训练数据量不够，使用交叉验证方法，它能帮助我们在选取最优超参数的时候减少噪音。
3.一旦找到最优的超参数，就让算法以该参数在测试集跑且只跑一次，并根据测试结果评价算法。
4.最近邻分类器能够在CIFAR-10上得到将近40%的准确率。该算法简单易实现，但需要存储所有训练数据，并且在测试的时候过于耗费计算能力。
5.最后，仅仅使用L1和L2范数来进行像素比较是不够的，图像更多的是按照背景和颜色被分类，而不是语义主体分身。
6.预处理你的数据：对你数据中的特征进行归一化（normalize），让其具有零平均值（zero mean）和单位方差（unit variance）。
7.如果数据是高维数据，考虑使用降维方法，比如PCA。
8.将数据随机分入训练集和验证集。按照一般规律，70%-90% 数据作为训练集。
9.在验证集上调优，尝试足够多的k值，尝试L1和L2两种范数计算方式。
05线性分类
假设有这么一张我学校的校徽图片，对应大小为[32323]，然后有十个标签， 想要找一组比较好的权重参数w，得出当前的权重参数对每个分类的得分。
转换为矩阵形式：
将32323=3072个像素点进行拉伸，转换成一个列向量：30721的矩阵，结果是101的矩阵， 则w为3072*10的二维矩阵，每个元素都是一个权重参数，跟图像转换的矩阵进行组合，就可以算出得分。
06损失函数
07正则化惩罚项
w1只关注第一个像素点，w2对每个像素点一视同仁，虽然结果相同，但是对于w1是不可取的。
由此可得，损失函数终极版：
