斯坦福CS231n：李飞飞教授讲义，卷积神经网络与图像识别

"CS231n是斯坦福大学由李飞飞教授主讲的一门课程，专注于Convolutional Neural Networks for Visual Recognition（用于视觉识别的卷积神经网络）。这门课程涵盖了深度学习、卷积神经网络（CNN）以及机器学习（ML）的基础和进阶内容，旨在教会学生如何用AI技术进行图像分类。" 在第二堂课中，主要讨论了图像分类这一计算机视觉中的核心任务。图像分类是将输入图像分配到预定义的类别中，例如在给定的标签集合{dog, cat, truck, plane}中，对图像进行识别。课程内容包括： 1. **K-最近邻算法（K-Nearest Neighbor，KNN）**：这是一种基于实例的学习方法，通过查找训练集中与待分类样本最接近的K个邻居来决定其分类。KNN算法简单但计算量大，对新数据的分类依赖于训练集。 2. **线性分类器**：包括支持向量机（SVM）和Softmax。SVM是一种寻找最大边距超平面的模型，能有效地处理高维空间的数据。Softmax则是一个用于多分类问题的概率模型，它将输出层的线性组合转换为概率分布。 3. **两层神经网络**：这是神经网络的简单形式，包含一个隐藏层和一个输出层。通过激活函数（如sigmoid或ReLU），网络可以学习非线性特征，从而提升分类性能。 4. **图像特征**：在图像分类中，特征提取至关重要。早期的方法如SIFT、HOG等手动设计特征，而现代方法如CNN则自动学习图像特征。 课程还提到了其他行政事项，如第一份作业将在4月22日前提交，涉及KNN、线性分类器等内容。项目提案则需在4月27日前提交，鼓励团队合作，并使用Slack和Zoom作为协作工具。此外，每周的分组讨论会介绍Python、Numpy、Google Cloud Platform和Google Colab等工具的使用。 这堂课深入浅出地介绍了图像分类的基本概念和技术，为后续的CNN理论和实践打下坚实基础。通过学习，学生将能够理解和构建自己的图像识别系统，掌握AI在处理视觉数据时的关键步骤。