目录

1、深度学习要解决的问题

2、深度学习应用领域

3、计算机视觉任务

4、视觉任务中遇到的问题

---

1、深度学习要解决的问题

机器学习流程：数据获取、特征工程、建立模型、评估与应用

深度学习跟人工智能更贴切，机器学习中的一部分

特征工程的作用：数据特征决定了模型的上限、预处理和特征提取是最核心的、算法与参数选择决定了如何逼近这个上限

深度学习——黑盒，学习的过程，进行特征提取，什么样特征是最合适的

2、深度学习应用领域

检测和识别，应用于计算机视觉、自然语言处理

比如：人脸识别、医学方面、变脸、图片上色（老片变新片）

深度学习缺点（计算量太大，千万级数据，造成速度慢）

数据集（收集和标注，麻烦）——李飞飞-imagenet、ALEX12年（一个转折点，引起大家的关注）冠军（用了深度学习神经网络算法）

数据生成（旋转、翻转，1w->10w）

3、计算机视觉任务

图像分类任务（cat）

图像表示：计算机眼中的图像（三维数组的形式-每个像素的值0-255【越小表示越暗】）

面临的挑战：照射角度、形状改变、部分遮蔽、背景混入（颜色贴切，隐身）

4、视觉任务中遇到的问题

机器视觉与深度学习套路差不多：收集数据并给定标签à训练一个分类器à测试评估

K近邻算法（KNN）：K=3，K=5

https://www.bilibili.com/video/BV15t4y1G7kq?p=4&spm_id_from=pageDriver&vd_source=200eb8f70ee525f2747b0dbbe1d06ab0

 数据库：CIFAR-10（10类标签，100多M，5w训练数据，1w测试数据，大小均为32*32）

K近邻不能用来图像分类：背景主导是最大的问题