1 图像表示
- 基础像素表示
- 全局特征表示 如GIST 比较适合风景类，室内场景，城市建筑。要依赖所有像素，对于如遮挡一类问题就不太适合了
- 局部特征表示 如GIST
2012年前，就要找到一个很好的特征，但对于神经网路而言是无所谓的
2 分类模型
我们学习神经网络在学些什么？
其实就是在学
- 这每一类分类器的优势，适用于哪些场合
- 这每一类分类器的原理，从而我们对于分类器做出合理的调整来解决具体问题
常见分类器
- 近邻分类器
- 贝叶斯分类器
- 线性分类器
- 支撑向量机分类器
- 神经网络分类器
- 随机森林
- Adaboost
sd
3 损失函数
常见的损失函数
- 0-1 损失
- 多类支撑向量机损失
- 交叉熵损失
- L1损失
- L2损失
4 优化方法
一阶方法
- 梯度下降
- 随机梯度下降
- 小批量随机梯度下降
二阶方法
- 牛顿法
- BFGS
- L-BFGS
训练过程本身
- 数据集划分
- 数据预处理
- 数据增强
- 欠拟合与过拟合
- 超参数调整
- 模型集成
