视频链接：b站 有字幕 . https://www.bilibili.com/video/av16388822/?from=search&seid=6753351402600537490

Lecture_1

主要说了一些CV的历史发展

1973年，如何识别物品，思想是复杂对象都是由简单元素组成的，例如圆柱体和圆形。

2000左右主要使用统计机器学习相关方法，例如SVM，神经网络等。

在2011年， 上图的最左侧，分层的，首先计算一些功能，接着计算本地的不变性，经过加工后输入给线性SVM

2012年，Hinton，七层卷积神经网络，AlexNet

之后的网络更深

CNN出现与1998年，贝尔实验室，用于识别数字。经过十几年流行起来的原因1.计算机的计算能力增强。2.过去没有很多有标注的数据。

Lecture_2：

Image Classification pipeline

python学习链接：http://cs231n.github.io/python-numpy-tutorial/

google cloud使用地址：http://cs231n.github.io/gce-tutorial/

1. 根据边界线----太脆弱了，效果不好。

2. 神经网络分类器

1）分类器：最近邻

数据集例子：CIFAR10，有10类，五万个训练集，一万个测试集

如何对比图片：L1 distance

时间复杂度：训练O(1)，predict：O(N)

k近邻可以使得分类更加准确，边缘更加平滑。

可视化：http://vision.stanford.edu/teaching/cs231n-demos/knn/

白色部分：没有最近邻的

选择在验证集上表现最好的一组参数，按照该参数训练好模型后，在测试集上跑的结果才出现在报告或者论文中。所以只有在最后才接触测试集。

K近邻方法不适用于图像分类的原因：1. 图像的相似性用L1或L2距离不适用。2.纬数灾难，纬数越高则越需要更多的数据去覆盖空间。

2）线性分类器 Linear classifiers

最简单的模型为：参数模型，令输入图片为32x32x3，偏置项不与训练数据交互，只是提供某种数据的独立性。如果数据中喵占比例比汪大，那么就增加喵的偏置项

线性分类器为了学习一个模版，如果这个类有什么变化，分类器会想要平衡所有的不同的外表，而使用单一的模版。

线性分类器每个类只有一个模版

对于线性分类器来说很难的案例：