cs231n的assignment1主要是通过使用numpy库，来构造三个：KNN、Multiclass SVM以及Softmax，image classification pipeline；而且在构造pipeline的同时，尽可能编写出vectorvized的代码。最后还要求实现一个两层神经网络的图像分类器，同样也会涉及如何从图像中提取更高层次的图像特征，来提高分类器的效果。
   在assignment1中使用的是CIFAR-10数据集；CIFAR-10数据集里一共有10类，包含60000张图片，50000张用了训练，10000张作为测试；每张图片的大小为3 x 32 x 32。而assignment1已经提供了数据读取以及预处理的函数(主要读取数据，然后做reshape与transpose处理)。在这次作业中，需要将图片做为向量输入，所以会看到对数据的预处理，是将其flatten()展开成向量。

---

KNN(K-NearestNeighbour)

   KNN是机器学习算法中的一种，主要流程：

1. 将测试集(个向量)的数据输入
2. 计算测试集中各个数据与训练集(个向量)中各个数据的距离,得到结果为，其大小
3. 对按行进行从小到大的排序，然后选择排序后的前K列做为候选
4. 统计K个候选所对应的类别，数量最多的，则为该测试数据所对应的类别
      KNN分类器比较特别的一个地方在于，并不需要对分类器进行训练，只需加载训练数据集合；而在测试阶段，需要计算测试数据与训练数据的距离，因此训练数据必须保存在模型，不能丢弃。而KNN分类器的hyperparameter也仅有“K”，因此在调参方面来看，相对方便。
      在assignment1中，计算矩阵时的实现方式，会影响模型的性能；在assignment1中，分别渐进地实现两个循环到一个循环到无需循环来计算矩阵。前两种实现方式较为简单，而对于compute_distances_no_loops的实现，只需利用和numpy的broadcast机制即可完成(由于作业中的距离要求为欧氏距离)。

---

SVM

   assignment1的第二部分是实现线性SVM分类器，SVM的整个流程如下：

1. 先计算，得到数据关于C个类别的分数，其中
2. 选择得分最高的作为该数据的所属类别

在模型训练的阶段，其loss function是hinge loss具体是：

那么关于整个训练集的loss function就是：

   关于的梯度推导的情况如下：

那么可以推导出

---

softmax

   assignment1的第三部分，构造softmax分类器。整个流程与SVM的一样，先计算数据关于10个类别的分数，然后选择分数最高的作为其归类；而不同的地方在于，loss function改为：

关于softmax的梯度推导，可以参考一下博主蜗牛一步一步往上爬的推导讲解，写得很详细清晰，剩余的步骤与上述的SVM一样。
   从上面两部分可以看到，主要都是先通过线性模型算出关于10个类别的得分，然后得分高者则将其归于其中一类；分类器的训练就是是希望使正确类的得分可以上升，错误类的得分降低；上述的softmax function和SVM function其实就是分类器的训练目标、优化目标，而定义不同的loss function则会训练成不同的分类器。其实线性分类器，主要是指其决策边界是线性的，而其决策边界为：。当分数大于0则为边界的一侧，由于所有边界会将整个空间分成很多部分，因此在哪一侧的分数较高，则被划分为其中归属。

---

Two Layer Network

   assignment1的第四部分，构造两层神经网络的分类器，网络结构：

1. FC (3 * 32 * 32, 50)
2. ReLU
3. FC (50, 10)

而使用的loss function是softmax loss funtion，使用的训练方法是SGD。这部分需要调整的hyperparameter不仅仅是learning rate，还有模型结构、训练方法等等；开始有炼丹的味道。

---

Img Feature Extraction

   在前面的部分，分类器都是直接将图片每个像素展开成一个向量，然后将改向量作为输入。而这部分，会首先从每张图像中，提取出Histogram of Oriented Gradients (HOG)和HSV两种特征，然后拼接成向量，作为分类器的输入。HOG可以认为是标准图像的texture，而HSV可以表征图像的颜色。从assignment1中可以感受到，若使用这两个feature来代替原生像素作为输入，是用两层神经网络的分类器，分类效果最终可以到达约55%，效果有较大的提高。

---

小结

   assignment1主要是完成KNN、两个线性分类器SVM和softmax以及一个两层神经网络。这一部分主要是练手与熟悉两个loss function，这些loss function以及其梯度推导在后续会较为常用；并且也简略地实现了一个两层神经网络，也是为后续部分做一个简单地了解。
   在assignment1中两个线性分类器的项目结构，是先定义一个类linear classifier，里面定义好train()、predict()以及loss()；然后对于两类分类器再继承linear classifier，重写loss()；而具体loss()的实现，则类似定义静态函数那样来实现。

类图.png
   在该作业中，实现的gradietn check，主要是通过随机抽取相应的权重，计算来计算numerical_gradient然后与analysis_gradient的差距来进行gradietn check。