Cs231n-assignment 1作业笔记

KNN

assignment1 KNN讲解参见：

https://blog.csdn.net/u014485485/article/details/79433514?utm_source=blogxgwz5

np. flatnonzero(a) 返回a的展平版本中非零的索引。

a1 = np.random.choice(a=5, size=3, replace=False, p=None)  参数分别从a 中以概率p，随机选择3个, p没有指定的时候相当于是一致的分布。replacement的意思是抽样之后还放不放回去，如果是False的话，那么出来的三个数都不一样，如果是True的话， 有可能会出现重复的，因为前面抽的放回去了。

subplot(nrows, ncols, plot_number) 作用是把一个绘图区域（可以理解成画布）分成多个小区域，用来绘制多个子图。nrows和ncols表示将画布分成（nrows*ncols）个小区域，每个小区域可以单独绘制图形；plot_number表示将图绘制在第plot_number个子区域。举例： createPlot = subplot(222)，表示画布分成（2*2=4）个小区域，并将图createPlot绘制在画布中的第二个子区域，也就是右上角位置。

imshow():https://matplotlib.org/api/pyplot_api.html#matplotlib.pyplot.imshow

astype('uint8'): 把图像数据类型转换为无符号八位整型，范围是0-255。如果输入图像是无符号八位整型的，返回的图像和源图像相同。

plt.axis('off')     不显示坐标尺寸，区别见下图：

numpy.reshape(a, newshape, order='C')：

a：array_like。要重新形成的数组。

newshape：int或tuple的整数。新的形状应该与原始形状兼容。如果是整数，则结果将是该长度的1-D数组。一个形状维度可以是-1。在这种情况下，从数组的长度和其余维度推断该值。

order：{'C'，'F'，'A'}可选。使用此索引顺序读取a的元素，并使用此索引顺序将元素放置到重新形成的数组中。'C'意味着使用C样索引顺序读取/写入元素，最后一个轴索引变化最快，回到第一个轴索引变化最慢。'F'意味着使用Fortran样索引顺序读取/写入元素，第一个索引变化最快，最后一个索引变化最慢。注意，'C'和'F'选项不考虑底层数组的内存布局，而只是参考索引的顺序。'A'意味着在Fortran类索引顺序中读/写元素，如果a 是Fortran 在内存中连续的，否则为C样顺序。

欧式距离（对应L2范数）：最常见的两点之间或多点之间的距离表示法，又称之为欧几里得度量，它定义于欧几里得空间中。n维空间中两个点x1(x11,x12,…,x1n)与 x2(x21,x22,…,x2n)间的欧氏距离：

np.bincount()：它大致说bin的数量比x中的最大值大1，每个bin给出了它的索引值在x中出现的次数。下面，我举个例子让大家更好的理解一下：x中最大的数为7，因此bin的数量为8，那么它的索引值为0->7

x = np.array([0, 1, 1, 3, 2, 1, 7])

索引0出现了1次，索引1出现了3次......索引5出现了0次......

np.bincount(x)

因此，输出结果为：array([1, 3, 1, 1, 0, 0, 0, 1])

np.argmax()：取出a中元素最大值所对应的索引a = np.array([3, 1, 2, 4, 6, 1])，b=np.argmax(a) 此时最大值位6，其对应的位置索引值为4，（索引值默认从0开始）

np.argsort()：将x中的元素从小到大排列，提取其对应的index(索引)，然后输出到y。

KNN原理:找出距离最近的k个点对应的标签，然后找出出现次数最多的标签作为预测标签。

F范数：设A是mxn的矩阵，其F范数定义为：

numpy.split(ary, indices_or_sections, axis=0)：Split an array into multiple sub-arrays.

>>> x = np.arange(9.0)
>>> np.split(x,3)
[array([ 0.,  1.,  2.]), array([ 3.,  4., 5.]), array([ 6.,  7.,  8.])]

SVM

代码参见：https://blog.csdn.net/lifewang/article/details/80790493

matplotlib.rcParams设置：

matplotlib.rcParams[‘figure.figsize’]#图片像素

plt.rcParams['image.interpolation'] = 'nearest' # interpolation style（插值方式）

plt.rcParams['image.cmap'] = 'gray' # 设置 颜色 style

%load_ext autoreload %autoreload 2自动重新加载更改的模块

cell 4：取range（49000,50000）为验证集，取range（0,49000）为训练集，在训练集中随机选择500张为dev集，以加快训练速度。

cell7：图像预处理，均值减法（Mean subtraction）是预处理最常用的形式。它对数据中每个独立特征减去平均值，从几何上可以理解为在每个维度上都将数据云的中心都迁移到原点。在numpy中，该操作可以通过代码X -= np.mean(X, axis=0)实现。这个结果是将49000张图片的像素矩阵做了一个平均，得到了一个像素平均值矩阵，对应一张平均图片。

plt.figure(figsize=(4,4))：设置尺寸大小。

hstack(tup) ：参数tup可以是元组，列表，或者numpy数组，返回结果为numpy的数组。按列顺序把数组给堆叠起来，最低维自动排序。

import numpy as np
a=[,,]
b=[,,]
print(np.hstack((a,b)))
输出：[      ]
import numpy as np
a=[[],[],[]]
b=[[],[],[]]
c=[[],[],[]]
d=[[],[],[]]
print(np.hstack((a,b,c,d)))

输出：
[[   ]
 [   ]
 [   ]]

svm_loss_naive(W, X, y, reg)：W为权重，X为图片数据，y为标签，reg为正则化强度（regularization strength），返回值中gradient是梯度值，形状与W相同。

cell 16：利用验证集去调节超参数（正则化参数和学习率）。

SVM梯度计算理解：

对上式求导dL/dw，j=yi时前面一项不存在了，j的规定中没有这一项，所以后一项对wyi求导剩下-xi，j≠yi时，对wj求导就是xi。

Softmax

Softmax梯度计算理解：

参见：https://blog.csdn.net/pjia_1008/article/details/66972060#commentsedit

参见：https://blog.csdn.net/yc461515457/article/details/51924604

其中第一个博客，当j!=yi时，分子应为exp(fj)。

Neural Network

思路参见：https://blog.csdn.net/lhppom/article/details/79595868

np.arange()：

一个参数 默认起点0，步长为1。a = np.arange(3) 输出：[0 1 2]。

grads['b2'] = np.sum(dscores, axis = 0)/N：

这里的除于N和上式W2的除于N是因为最后的损失是各个损失的和除于N，有求导项1/N