焦虑到爆炸，但是还是听安娜公主的

You are lost hope is gone

But you must go on

And do the next right thing

Can there be a day beyond this night

1. f(x,w)线性分类器与knn区别

knn直接用图像的像素距离做分类，线性分类器是用特征的线性组合来分类

knn直接把所有图像像素存下来作为训练结果来与测试图像比对，

线性分类器会得到W,b，也就是训练得到的权重和偏差参数，f(x,w)=Wx+b这种得到的特征的线性组合就是模板，可以说是一种全局特征，然后用训练得到的模板和测试图像比对

b这个偏差是当数据集不平衡时候，为了训练效果更好而存在的，如果数据集里猫的图片比狗多很多，那b里对应猫的值就比狗大

b是不与训练数据交互的，值更大说明由于图片比较多，所有是这个类的可能性也更高一点

线性分类器会作为基本的小单元组成神经网络，f(x,w)可以有不同的样子，Wx+b是最简单的形式

2. 线性分类器为什么可以看成一种模板匹配方法

W的每一行单独拿出来看，比如第一行，这个行向量和图片拉成的列向量相乘，向量相乘是衡量距离的，两个向量越相似，结果越大（因为夹角小，a·b=|a||b|cosθ），所以得到结果的第一个数字对应这个类的得分。W的每一行就是一个该类的模板。训练线性分类器就是为了学习得到W，也就是得到每个类的模板，预测的时候用模板去匹配（也就是，同样向量相乘）得到每个类的匹配度。

3. 线性分类器的缺点也就是存在的问题

(1)如果类别增多，那么需要的模板就多，W就多一行，整个模型需要重新训练

(2)每个类别只能学习一个模板，这个模板很可能并不能很好的代表这个类，更复杂的神经网络可以解决这个问题

(3)只能用于线性可分的情况，线性不可分的情况比如下面的奇偶数分类，或者多模态数据（向左看的马和向右看的马，这和第二点是同样的）

最左边的图，数据集里有两类，蓝色和红色，如果图像像素都是奇数就是蓝色，图像像素都是偶数就是红色

没法画一条线把两类分开。

这里的坐标轴没法有具体的意义，因为是高维空间压缩成二维的示意图

4. 分析代码实现的任务是什么，每个函数模块实现的功能是什么，代码运行的逻辑

在本地用anaconda的ipython notebook，jupyter notebook做作业，也试了virtualenv，

但是一直说scipy模块没有……所以还没开始做