图像分类任务介绍
常见的是数据驱动的图像分类范式，分为三个步骤。
1.数据集构建 （有监督和无监督）
2.分类器设计与学习
图像表示：输入的图像能够被算法所接受
分类模型：给我一张图像，能够对图像进行预测。
将预测值和真实值进行比较（损失函数）
损失值反映了当前模型性能好坏，如果不好，靠优化算法更新模型参数。
流程图如下：
3.分类器决策
训练过程分为数据集划分，数据预处理，数据增强。
数据增强的目标是使得数据量变多。
超参数调整是模型设计中做的工作。什么是模型设计呢，就是神经元个数，怎么去设计?
模型集成：就是用多个模型
Top1指标就是第一个是对的就是对的
Top5指标是五个中有一个是对的就是对的
图像类型分为二进制图，灰度图，和彩色图像。
有多少个类就有多少个w和多少个b
w是10*3072
cat和car是错误的，所以损失是Sij
2.L=类别数-1如果w和b为0，总损失不是类别数-1说明编码有问题
1epoch = 总样本数/批量m
P23损失函数与反向传播
-
引入损失函数
目标分数targets
实际分数output
LOSS是衡量实际值和预期值的差距。
Loss = (30-10)+(20-10)+(50-10)=70
LOSS的作用是为我们更新输出，使得输出更加接近预期值。为我们更新输出提供一定的依据。（反向传播）
交叉熵损失
3.
P24优化器 P28完整的模型训练套路
两个输入
[0.1,0.2]
[0.3,0.4]
在0类别概率为0.1，在1类别概率为0.2
preds为预测，第一个输入在1类别概率大一些，所以preds=[1]
第二个输入在1类别概率大一些，所以preds=[1]
以上这些是人工算出来的，机器怎么转换呢？
用到的就是argmax
