一 简介与入门
IMAGENET:图像分类比赛促进了深度学习卷积神经网络发展。
黑科技：image transfer（图像融合）
图像分类：计算机视觉核心任务
计算机中图像被表示成三维数组的形式，每个像素值为0-255[RGB] 像素点的值比较大 亮度越大
图像分类的挑战：1光照强度2形状改变3部分遮蔽（核心困难）4背景混入
深度学习常规套路：
1.数据收集并给定标签
2.训练分类器（神经网络）
3.测试评估
二 K-近邻算法
1 计算已知数据集中的点与当前点的距离
2 按照距离一次排序
3 选取与为支点距离最小的k个点
4 确定前k个点算在类别的出现概率
5 返回k个点出现概率最高的类别最为当前预测分类
概述： KNN本身简单有效 lazy-learning 训练复杂度为0 分类的复杂度O(n)
数据集样例：CIFAR-10 （10个标签 50000训练数据 10000 测试数据 大小32*32）
L1（Manhattan）distance
L2（Euclidean） distance
测试结果：训练集+验证集 ++ 测试集（交叉验证）
三 线性分类
出现错误 怎么修正-损失函数
