深度学习与计算机视觉（一）

编程入门行业动态更新时间:2024-10-28 10:32:59

深度学习与计算机视觉（一）

文章目录

- 计算机视觉与图像处理的区别
- 人工神经元
- 感知机 - 分类任务
- Sigmoid神经元/对数几率回归
- 对数损失/交叉熵损失函数
- 梯度下降法- 极小化对数损失函数
- 线性神经元/线性回归
- - 均方差损失函数-线性回归常用损失函数
  - 使用梯度下降法训练线性回归模型
  - 线性分类器
  - - 多分类器的决策面
  - softmax Regression
  - 训练softmax regression
  - 交叉熵损失
  - 解决参数冗余
  - 训练softmax Classifier
  - 混淆矩阵
  - 合页（铰链）损失

计算机视觉与图像处理的区别

图像处理得到的结果是处理后的图像，图像处理的目的是改善图像的质量
- 图像增强
- 图像复原
计算机视觉得到的结果可能是一个符号、一堆数据、一个知识
- 人脸识别
- 人脸比对
传统的图像识别的机器学习方法的一般流程包括：
- 特征提取→数据
- 数据→机器学习
为什么要提取图像的特征
- 提取有利于识别的信息，抑制与识别无关的或者对识别有干扰的信息
- 把不同尺度的图像映射到一个统一的特征空间，便于应用机器学习算法。
机器学习的框架：D数据，A算法，H假设空间，h* H中最好的假设（真实误差最小的假设）
概率近似正确

人工神经元

f：响应函数/激活函数一般都是非线性的函数，且一般都单调递增；常用的激活函数包括以下：

因为f是单调递增的函数，，如果 w>0，则，说明前一个神经元对后一个神经元有激活的作用；如果w<0 ，说明前一个神经元对后一个神经元有抑制作用。

感知机 - 分类任务

感知机算法在线性可分的情况下，一定可以收敛，也就是一定可以找到一个能正确分类所有样本的分类函数
但是同一个样本集，有可能会得到不同的解
- 不同的初始值，不同的样本处理次序产生的结果不同
- 不能得到全局最优的解
线性不可分的时候，算法会失败

感知机的算法

损失函数：不能处处可导

解决方法：次梯度

Sigmoid神经元/对数几率回归

只有激活函数的不同，sigmoid处处连续可导，输出的是对数几率

对数损失/交叉熵损失函数

损失函数通过比较模型对样本X的预测结果与样本的真实类别y之间的差异，计算损失，差异越大，损失越大，差异越小，损失越小。

梯度下降法- 极小化对数损失函数

线性神经元/线性回归

神经元有两个部分组成：收集信号的过程和激活的过程，收集信号如果是使用线性过程（累加）就是线性神经元。至于收集到的信号能不能激活下一个神经元，要看激活函数的过程，这个过程一般不是线性的。

均方差损失函数-线性回归常用损失函数

使用梯度下降法训练线性回归模型

是对w，b进行更新

一元导数与微分的关系： d f / d x = f ′ 一元导数与微分的关系：df/dx=f' 一元导数与微分的关系：df/dx=f′
全微分： d F = ( α F / α x ) d x + ( α F / α y ) d y 全微分：dF=(αF/αx) dx+(αF/αy) dy 全微分：dF=(αF/αx)dx+(αF/αy)dy

线性分类器

α ∗ β = ∣ α ∣ ∗ ∣ β ∣ c o s < α ， β > （ α ， β 为向量），其中 ∣ β ∣ c o s < α ， β > 称为 β 在 α 上的投影 α*β=|α|*|β|cos<α，β>（α，β为向量），其中|β|cos<α，β>称为β在α上的投影 α∗β=∣α∣∗∣β∣cos<α，β>（α，β为向量），其中∣β∣cos<α，β>称为β在α上的投影