cs213n

  • CS231n: Convolutional Neural Networks for Visual Recognition
  • 大神FeiFei Li 开的一门关于计算机视觉的课。因为最近一直在写一篇相关的paper，用了相关的模型。实验做完了，有很多基础的概念还是模糊，刚好这个课时时间比较合适，把重点的CNN再重新过一边。

Data Driven Approach

- Collect the Data
- Use Machine Learning to train a classifier
- Evaluate the classifier on the new data
  • 如果还有疑问对与Machine Learning 和 Deep learning，可以参照00的这篇blog

KNN

  • train 的复杂度是O(1),而prediction则是O(n)，意味着对一个新的事物作出判断的时候需要比学习更久的时间。所以很少用于images
  • 个人理解，如果脑海中抽象了一只猫的概念，那么人才可能对于瞬间闪过的猫能判断。如果判断的速度比学习还慢，学习了有啥用？所以不合理。

Cross-Validation

  • 看到这次参数还是因为看到自己用tensorflow train的一个模型才发现这个参数。看了这个ppt才大概明白具体在讲什么。
  • 1
  • 对一个已经tag好的数据建立模型
    1. 用所有的数据做train
    2. 用大部分数据做train，然后小部分数据（通常8:2）来做test
    3. 用大部分数据做train，在用小部分数据validation，在小部分数据做test。
    4. 用大部分数据做train，结合小部分1数据分割成一个一个folds 做validation，取这些folds的均值来代表整个model的validation，成为cross-validation，然后小部分数据做test。