盘算机视觉的深度学习和神经网络算法，模仿大脑的架构，从而能够最后解释真实大脑的工作机制，即神经认知。将复杂的难以懂得的数据收拾抽象为我们可以懂得的信息，如视觉的图像视频信息需要收拾。而神经网络的框架，能够解决辨认问题

信息的存储格式，像素。以矩阵的格式来存储。我们接下来需要处理指数级爆炸的视觉信息。因此我们需要懂得，就需要不断抽象，如标记/分类/索引等等，这实际上也是我们懂得这些信息的机制。我们就是通过不断的升维来实现各种复杂的功效。

以进化的观点来懂得感到的形成和进化。视觉的涌现可能就是冷武纪生物大爆炸涌现的一个原因，由于生物能够提取关于世界更多的信息，从而能够解释多样性的形成。以最简略的眼睛的涌现为出发点，由于生存的压力，基因的漂移，使得大多数生物都拥有这种新奇的结构。并且在这个基础上展开武备比赛般的进化，在这个基础上打补丁式地修修补补，一直进化到现在生物的各种眼睛。比如说视觉皮层与眼睛有相当的间隔。

基础视觉皮层（后脑勺rrr）能够处理大批的视觉信息，是视觉处理流程的第一步。图片的内容没有激活神经元，而调换图片的动作能够引起注意（b，等等），由于皮层对这种边沿效应敏感，不同的神经元组合对不同的组合敏感，即我们的神经元只是对特点敏感。因此第一步是对特点的提取如外形，边沿，排列等等。其能够引起特定组织结构的神经元激活，通过这些特点的组合，我们能够懂得更加高维的成果，如从图片辨认出人脸（边沿决定结构，如同牛顿-莱布尼茨公式，从底层升维到高维。然后就是线性代数的思路：世界可以分解为线性无关的基底，然后其他的事物都是其选择性组合；这是从顶到底的思路）。因此深度学习就是利用多层神经网络构建的复杂映射来辨认复杂的输进。

然后视觉应当是分层的，第一层是边沿层次……最后能够升维到足够高维的空间，从而实用于各种情况。这启发我们的学习过程就是构建新的层次，如同神经网络的暗躲层（特点r学习），这是建模的思路。

视图分割和分组（如人脸辨认）是懂得图片的第一步，辨认是更加高维的层次，如可以通过辨认特点来推断整体，如看到老虎的花纹就可以推断老虎的涌现。这种模式的学习能够领导更多低维情境下的辨认。

物体辨认需要同一套评价系统来比较不同算法的性能优劣。如。接下来就是李飞飞的数据集。运行练习卷积神经网络算法，本质上就是提出一个函数，能够以必定的正确率来进行良好的分类，然后通过参数的调剂来结构出来（如同级数展开，对特点的线性组合，层数越多越准确）。这需要大规模数据的练习和等等硬件的发展。

图像分类，物体检测，即在分类的基础上进一步地懂得图片，如以人类能够懂得的语言来描写。而更深层次的懂得，需要联合我们已有的懂得进行选择性组合。当然，需要与人类这个超有机体的思想进行比较，由于个体总是有必定的局限性。我们认为所谓的分类就是找到必定的高维模式，从而能够懂得不同低维情况下的同一物体，如各种情况的猫（睡觉，玩耍，撒娇等等），我们信任存在这样的特点，本质上是一种函数的存在性证实。

卷积神经网络：高效能的硬件运行盘算更大的模型（），大批的数据。使得能够在网络的基础上有更进一步的发展如，等等。

神经网络算法构建过程：1建立工程，导进工具包（r等等）；2导进数据集的数据，转换为必定的数据结构（如图片的*数组转换为一维数组）；3进行神经网络算法的参数设置如暗躲层数，学习率，单层神经元个数等等4进行评价，正确率和召回率等等指标来评判算法性能；

神经网络算法本质上是在结构一个能够完成我们理想中目标的函数，我们假设其存在，然后通过我们需要的各种性质来定义这个函数，暗躲层可以懂得为级数展开，具体的神经元的权重可以懂得为具体的级数/特点的参数。=∑（是具体的参数即权重，是特点）。理论上，我们可以通过足够多的对象的组合来逼近理论上存在的函数，但这就需要耗费太多的盘算资源，而提升的准确度有限。以线性代数的思想就是结构各种复杂的映射。

神经网络的反向流传算法，链式法则的利用，首先结构出复杂的多变量的函数，然后通过细化的求导来断定简略的关系，即梯度。而我们结构的函数，最后就是这些梯度收敛的成果。

函数：1/（1+^-）

2017/8/9

神经网络算法可以实用于不同领域的问题，阐明其可能是某种底层的运算机制。是一种通用系统，如同图灵机，能够通过大规模数据的输进产生必定的输出，这些输出就对应于我们的请求如图像分类等等。神经网络算法的大批参数，实在对应于函数的拟合，我们信任存在特定的参数能够具有生物学意义（能量最低化）。更大的参数的学习可以辨认更加高级的特点，这和微积分基础定理是一致的。如从边沿/色彩等等底层
本章未完，请翻下一页继续阅读......... 学医路漫漫 最新章节第一百零七章卷积神经网络与视觉识别-斯坦福CS231n课程笔记,网址：https://www.555d.org/383_383912/110.html