CS231斯坦福深度视觉学习课程学习笔记——第3章

不得不说，这一章虽然讲的不多，但是有很多公式和对公式的理解，我理解的也不是很透彻，再后面的学习中，我会把自己的理解加回来。

1.上次提到的Linear分类器的输入变量x是列向量，和图片的数字矩阵不同，怎么理解？

确实我上次听的时候也有这个疑惑，但是在今天找到了答案，Linear的输入变量并不是数字矩阵本身，而是加工处理过的变量，对于图片的特征，由很多的提取方法：

最原始的有颜色直方图法，计算机表示图片的方法是在每一个像素方格中填充颜色，那么我们可以统计所有颜色出现的频数（频率），按照顺序排成一列，相似的图片会有相似的颜色分布。

最新的方法有Bags of Words，词袋法，由自然语言处理中得到的灵感，我们都受过论文查重的困扰吧，知网默认连续13个字重复就判重，类似的，连续的几个颜色格子重复出现也代表了一定的特征，依然统计这些排列出现的频数，排成一列。

最终输入给Linear的X矩阵，类似于DNA的排列，把代表不同特征的片段堆叠起来，形成列向量。

2.损失函数 Loss function

损失函数是用来描述系统在不同参数下的损失，模型正是依靠损失函数的大小来选择不同的参数，损失函数有一个通用的表方式

L代表损失函数，函数由两部分组成，

前边的一项是损失项，衡量了模型的评价能力，N代表了所有用来分类的样本，yi表示第i个样本被正确分类的类序号，j表示类序号，j不等于yi表示我们只计算误分类的损失，正确分类的损失是0，f表示分类器计算类别得分的过程。

后面一项是正则项，主要作用是降低模型复杂程度和防止模型过拟合，为正则项权重λ，R（W）为惩罚项，可以有几种形式，分别用语不同的具体情况。

未完待续。。。。。

以上是我个人浅薄的理解，希望各位高手帮忙指正，有什么意见尽管提，我一定虚心改正，因为我不是学计算机的，这些数据分析步骤的程序语言我会随着学习逐步补全。

希望每个人都能对未知的领域保持最起码的敬畏和尊重