主主题分卷
适合作为一个主主题分卷来连续阅读，再回到博客频道补全外围内容。
Archive Note
这里不是普通分类页，而是博客频道里的单主题分卷入口，用来把同一条线索下的记录重新收拢。
分卷定位
先知道这个主题在博客体系里扮演什么角色，再决定从哪一篇开始进入。
分卷档案
这一批记录属于同一主题线索，适合顺着编号一路读下去。
File 01
CS231n-Week3-Assignment4
知识点 上节内容 图像分类问题，机器看到的图像是像素值矩阵 机器识别图像的困难在于语义鸿沟，即识别图片中的事物即含义 两个算法：KNN算法和线性分类器，KNN算法相对线性分类器而言没有可优化的权重矩阵W 损失函数 损失函数的通用表达式 L(W) = \frac{1}{N} \su
File 02
CS231n-Week2-WeekSummary
总结 知识点 CIFAR-10数据集，5w训练，1w测试，10class，32x32像素 距离度量方法： L1范数 ：$ d_1 (I_1, I_2) = \sum_p \lvert I_1^p - I_2^P\rvert$ L2范数 ：$d_2(I_1, I_2 = \sqrt
File 03
CS231n-Week2-Assignment3
学习： 知识点： KNN算法： 距离度量： 根据给定的度量，在训练集合中找出与x距离最近的k个点(k=1时即近邻算法) 分类决策规则(k>1时为KNN) 根据分类决策规则(如多数表决，加权方法等)决定x的类别y 总结：KNN算法三要素：K值的选择，距离度量，分类决策规则 复杂度：
File 04
CS231n_Week1_Assignment2
学习： 数据驱动方法 一张图像在计算机的眼中就是一堆数字矩阵，大小为长x宽x通道数，其中每个数字在0~255之间代表像素。 图像即训练数据，而在分类任务中，图像的种类即label标签。 图像分类存在的问题与挑战：角度，光照，形变和遮挡，图片背景混乱，类内差异等 过去的尝试： 硬编
File 05
CS231n_Week1_Assignment1
作业： (阅读理解题) 1. 图像的数据主要来源有哪些 照相机，手机，摄像头等一系列视觉传感器设备生产出了大量的图像数据 2. sift feature，金字塔匹配思想和hog特征分别是什么，可以用来干什么 sift feature： 确认目标上在变化中具有表现型和不变性的特征，