计算机视觉读书系列（1）——基本知识与深度学习基础
研三即将毕业，后续的工作可能会偏AI方向的计算机视觉方面，因此准备了两条线来巩固计算机视觉基础。
一个是本系列，阅读经典《Deep Learning for Vision System》，做一些总结跑一些例子，也对应本系列文章
二是OpenCV实践系列，根据官方自学OpenCV使用方法，对应"OpenCV-Python自学系列"。
后续准备在实际项目中引入一些目前的大模型的东西，视觉语言模型在传统CV任务上的理解和实践等。
本期主要包括基础知识和深度学习介绍。本篇主要以概念为主
一、计算机视觉通识
1.1 计算机器视觉
视觉系统：传感设备 + 解释设备
1.2 计算机视觉的应用
略
1.3 计算集视觉处理流程
计算机视觉处理流程：输入数据——预处理——特征提取——机器学习模型。
以图像分类算法为例，其流程为：从视觉设备输入一张图像、对图像进行预处理（标准化、重采样、模糊、旋转、颜色变换等等）、特性提取（输出为特征向量）、将特征喂到分类模型中、输出概率（该概率代表输入相片是该类别的概率）
1.4 图像输入
图像坐标系：原点为最左上角，横着为x，向右为正；竖着为y，向下为正。（注意，在代码张对图像数据，也即矩阵，进行索引时，仍然按照直观上的行列进行索引）。
图像映射：图像时多层矩阵的组合，每个矩阵中的元素值可看作该点坐标的映射，也即z=f(x,y)，z表示坐标为（x，y）的像素值。
通道：通常情况下，灰度图像为单通道，取值范围0-255，0为黑色，255为白色。彩色图像由三通道组成，R（红色）G（绿色） B（蓝色）。
1.5 图像预处理
预处理一：将图像由彩色转化为灰度降低计算复杂性。对于那些颜色不是很重要的特征而言，可使用该方法。
预处理二：重采样固定模型输入尺寸。
预处理三：数据增强。
等等。。。
理论：没有一个方法或一个策略能适合于所有的任务。
1.6 特征提取
特征定义：
在机器学习过程中，我们希望将原始数据转换为特征向量（一维向量，能简单表示整个类别），再将特征向量展示于我们的学习算法。
如何选择一个好的特征（如何提取出好的特征）？
传统特征提取和DL的区别：
二、深度学习基础
2.1 理解感知机
感知机的构成主要包括以下几个方面：输入向量、权重向量、神经函数、输出。如图
感知机如何进行学习：感知机通过测试和误差从他的错误中进行学习。
2.2 多层感知机
单层的感知机能力有限（线性问题），无法解决复杂情况的问题。因此使用多层神经元的感知机，也即多层感知机。关于多层感知机的概念需要清楚的是：
隐含层的数量：输入层于输出层之间的网络被称为隐含层，隐含层越多其模型拟合能力越强，但容易过拟合。
激活函数：在某个神经元进行加权求和后进行映射操作，是神经网络具备非线性拟合能力的关键。
误差函数：用于衡量模型的预测结果和真实结果之间差距的函数。
优化器：基于模型现有误差对模型进行调整的优化算法。
Batch-Size：采用MiniBatch方式进行训练的情况下，每个批次的包含样本的多少。
训练轮数：整个训练进行的轮次数。
学习率：（优化过程中）学习速度的控制。
2.3 激活函数
激活函数的目的：往神经网络中引入非线性。
线性激活函数：
步型函数：
Sigmoid函数：将无限连续的变量转移到简单的0-1之间的概率。广泛用于分类中。
softmax函数：对Sigmoid函数的泛化，Sigmoid只能处理单类问题，而sigmoid能处理多类型分类中的概率计算问题。
tanh函数：这个函数在隐含层中表现往往比sigmoid函数更好，因为使用tanh会使得数据的均值更接近于0而不是sigmoid的0.5，使得后续的训练更加简单。
ReLU函数：ReLU函数被认为是目前最优秀的（state-of-the-art）的激活函数。
Leaky ReLU函数：虽然用得不多，但通常略优于ReLU，主要是在小于0是提供了小幅度的导数。
2.4 前馈过程
神经网络的前馈过程，加权求和（矩阵乘法）——激活函数——加权求和——激活函数...
其计算过程可表示为：
表示矩阵乘法可为：
2.5 误差函数
常用的误差函数主要由两大类，MSE（Mean Square Error）和Cross Entropy Error。
MSE主要用于回归问题，用于衡量两个向量在空间中的欧式距离的大小。
交叉熵函数（Cross Entropy Error）：量化预测概率和目标概率之间的差距。
参数描述如下：
2.6 优化算法
Batch Gradient Descent：逐步的根据梯度信息对误差进行优化。
梯度：其方向代表了误差下降最快的方向，梯度仅仅提供误差下降的方向信息。
学习率：决定了迭代速度。
Batch GD：将所有数据放在一个Batch中，进行训练，每一个参数更新都是计算了所有训练数据集后的结果。
Stochastic Gradient Descent（SGD）：在每次参数更新时只随机选择一组样本数据计算误差。
在实际应用中SGD表现要由于Batch GD。
Mini-Batch Gradient Descent（MBGD）：将数据集按一定的尺寸分割为不同批次，每计算一个批次就进行一次参数更新。
其余优化算法：Adam、Adagrad、RMSprop等...
2.7 反向传播
根据链式求导法制对每个参数求偏导，获得梯度，进而计算其参数的改正值。
对网络中某个参数的求解可如下：
相当较为基础，笔记较为简略，欢迎批评交流。
下一期：卷积
共勉。