之前我们讲到全连接神经网络对一些已经表示成向量的比较简洁的形式是有效的 深度学习修炼（二）全连接神经网络 | Softmax，交叉熵损失函数 优化AdaGrad，RMSProp等 对抗过拟合 全攻略_Qodi的博客-CSDN博客 对于复杂图

之前我们讲了 线性分类器 深度学习修炼（一）线性分类器 | 权值理解、支撑向量机损失、梯度下降算法通俗理解_Qodi的博客-CSDN博客 又讲了基于线性分类器的全连接神经网络 深度学习修炼（二）全连接神经网络 | Softmax，交叉熵损

之前我们学习了线性分类器 深度学习修炼（一）线性分类器 | 权值理解、支撑向量机损失、梯度下降算法通俗理解_Qodi的博客-CSDN博客 全连接神经网络（又叫多层感知机）和我们的线性分类器区别 （1）线性分类器就只有一个线性变化 而全连接神

为什么我们从线性分类器开始?是由于线性分类器的基本特点决定的 1 基本特点​ 形式简单、易于理解，通过层级结构混合非线性操作可以形成功能强大的非线性模型 ​ 线性分类器是一种线性映射，将输入的图像特征映射为类别分数 2 训练过程2.1

1.机器学习是什么？机器学习实际上就是以数据为基础，发现数据之间本来存在而没有被发现的规律，它的一个重要特征就是尽量避免人的参与，尝试直接从数据中发现规律和解决问题的方案。 2.机器学习基础概念2.1 机器学习类型2.1.1有监督学习​ 用

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