Deep Learning系统实训之一：深度学习基础知识

K-近邻与交叉验证

1 选取超参数的正确方法是：将原始训练集分为训练集和验证集，我们在验证集上尝试不同的超参数，最后保留表现最好的那个。

2 如果训练数据量不够，使用交叉验证法，它能帮助我们在选取最优超参数的时候减少噪音。

3 一旦找到最优的超参数，就让算法以该参数在测试集跑且只跑一次，并根据测试结果评价算法。

4 最近邻分类器能够在CIFAR-10上得到将近40%的准确率。该算法简单易实现，但需要存储所有训练数据，并且在测试时过于消耗计算能力。

5 最后，我们知道了仅仅使用L1和L2范数来进行像素比较是不够的，图像更多的是按照背景和颜色被分类，而不是语义主体本身。

1 预处理你的数据：对你数据中的特征进行归一化（normalize），让其具有零平均值（zero mean）和单位方差（unit variance）。

2 如果数据是高维数据，考虑使用降维方法。如PCA。

3 将数据随机分入训练集和验证集。按照一般规律，70%-90%数据作为训练集。

4 在验证集上调优，尝试足够多的K值，尝试L1和L2两种范数计算方式。

超参数（曼哈顿距离与欧氏距离）：

损失函数：

任何一个算法都会有一个损失函数。

我们希望损失为零，为什么呢？损失越多说明我们错的越多，损失为零说明我们没做错啊。o(*￣︶￣*)o

Softmax分类器：

Sigmoid函数：

softmax实例：

巴特西