-
深度学习算法大概总结为两个API，一个train函数，一个predict函数。
def train(): #Memorize training data def predict(): #
-
给出两幅图片如何进行比较，其中最简单的一种方法是 L 1 L_1 L1距离，也成为曼哈顿距离。像素之间做差后的绝对值求和。
L 1 d i s t a n c e : d 1 ( I 1 , I 2 ) = ∑ p ∣ I 1 p − I 2 p ∣ L_1 quad distance: quad d_1(I_1,I_2)=sum_p mid I^p_1-I^p_2 mid L1distance:d1(I1,I2)=p∑∣I1p−I2p∣
这也是K最近邻算法，它的复杂度： T r a i n : O ( 1 ) P r e d i c t : O ( N ) Train: quad O(1) quad Predict: quad O(N) Train:O(1)Predict:O(N)
另一种方法是 L 2 L_2 L2距离，也称为欧式距离，取像素插值平方和的平方根。
L 2 d i s t a n c e : d 2 ( I 1 , I 2 ) = ∑ p ( I 1 p − I 2 p ) 2 L2 quad distance: quad d_2(I_1,I_2)=sqrt{sum_p(I^p_1-I^p_2)^2} L2distance:d2(I1,I2)=p∑(I1p−I2p)2
不同的距离度量，会在你的预测空间里，对底层的几何或拓扑结构做出不同的假设。
L 2 L_2 L2距离和 L 1 L_1 L1距离都不适合用来衡量图像的相似性，因为即使这个图像Boxed或者Shifted，距离还是一样的。
究竟如何区别图像中的不同呢？
Linear Classification权重矩阵的每一行就是对该类的权重值。将图像的pixels矩阵拉为一个列向量。bias也是一个列向量，对每一个类的偏置。
可以将权重矩阵中的每一行理解为对该类的模板，通过这个模板与图像点积计算得到像素值。（也就是说这一行可以再转换为图像）
线性分类器的问题是，每一个类只能学习一个模板.
