Lecture2
昼夜分辨¶
Goal 目标：给一张图像，分类出白天 (0) 和黑夜 (1)。
1、Data 数据集
- 10,000 张图像
- Split：将训练集按照 80%，20% 拆分成 test 训练集和 validation 验证集
- Bias：保证训练集中昼夜类别数量相近
2、Input 输入
- 输入数据为像素图像
- Resolution：分辨率为 \((64,64,3)\)，尽量减少分辨率，仍然能够取得良好的表现
3、Output 输出
- 输出一个关于图像的标签：0，1
- Last Activation：最后一次运行，调用 sigmoid 函数，将结果置于 0 与 1 之间，以便理解为概率
4、Architecture 架构
- Shallow network：浅层神经网路
5、Loss 损失函数
- 对数最大似然估计函数：对最大似然估计函数取自然数对数，是一个分类问题的凸函数，比其他损失函数更容易优化
\[
L(\hat{y}, y) = -[y \ln^{(\hat{y})} + (1 - y) \ln^{(1 - \hat{y})}]
\]
- 若 y=0，则预测值接近于 0，若 y=1，则预测值接近于 1
Face Verification 人脸辨别¶
Goal 目标：一所学校希望在设施（食堂、健身房、游泳池等）中使用人脸验证来验证学生身份。
1、Data 数据集
- 每个学生 ID 及其个人照片
2、Input 输入
- 设施检测的图像
- Resolution：分辨率为 \((400+,400+,3)\)
3、Output 输出
- 输出一个关于图像的标签：y = 0（是本人），y = 1（不是本人）
4、Architecture 架构
- 可以通过计算像素间的距离，来实现对相同人物的判断¶
5、Loss 损失函数
最后更新:
2023-08-16
创建日期: 2023-08-16
作者:
创建日期: 2023-08-16
作者: