飞桨图像分类

文章目录

• 一、图像分类数学知识前置
• • 1.矩阵加法运算
  • • 1、理论
    • 2、代码实现
  • 2.矩阵和数乘法运算
  • • 1、理论
    • 2、代码实现
  • 3.矩阵乘法运算
  • • 1、理论
    • 2、代码实现
  • 4.算子
  • 5.卷积
  • 6.求导法则
  • 7.反向传播
  • 8.MNIST
  • 9.Imagenet
  • 10.批归一化（Batch Normalization）Batch normalization applies a transformation that maintains the mean output close to 0 and the output standard deviation close to 1.
  • 11.感受野
  • 几篇参考文献
• 二、图像分类
• • 1.图像分类竞赛全流程工具
  • 2、图形处理
  • • 1.EDA（Exploratory Data Analysis）与数据预处理
    • 2.图像标准化与归一化
  • 3、Baseline选择
  • 4、模型训练
  • 5、预测模型
• https://aistudio.baidu.com/aistudio/course/introduce/11939irectly=1&shared=1

一、图像分类数学知识前置

1.矩阵加法运算

1、理论

I2 = I1 + b
1.1 如果I1和b维度一致时，结果为两个矩阵对应项相加。
1.2 如果I1和b维度不一致，但是满足一定条件，亦可进行加法计算。
假设I1的矩阵形状为shape_I1=（h,w,c）,那么在b的矩阵形状shape_b为shape_I1的某个切片相等时，I1和b矩阵可以进行“广播”相加。

2、代码实现

2.矩阵和数乘法运算

1、理论

I3 = a * I1
I1各个元素分别乘以a

2、代码实现

3.矩阵乘法运算

1、理论

I2 = I1 * A

1. 二维矩阵
   I1的r行向量与A的c列向量的点积作为I3的（r,c）元素
2. 多维矩阵
   所得结果的后两维的shape与二维矩阵的计算方式一致。不同的是高维度（3位以上）的尺寸大小的计算方式-取较大的尺寸。作为多维矩阵，数据还是保持在后两维中，高维度只是数据的排列方式的定义。本质上，高维矩阵的乘法还是二维矩阵之间的乘法，再加上排列方法的保持，当高维尺寸不同时，只要可以“广播”，就依然可以计算。
   譬如：
   2.1 I1的shape为 (c,n,s),A的shape为（c，s，m）时，I2的shape为（c,n,m).
   结果shape的计算过程：I1的后两维shape为（n,s), A的后两维shape为（s,m),类似于二维矩阵乘法所得结果的后两维shape为（n,m), 高维度的尺寸取c。
   2.2 I1的shape为 (n,c,h,s),A的shape为（1,1，s，w）时，I2的shape为（n,c,h,w).
   结果shape的计算过程：I1的后两维shape为（h,s), A的后两维shape为（s,m),类似于二维矩阵乘法所得结果的后两维shape为（h,w), 高维度的尺寸取（n,c）和（1,1）中尺寸较大值（n,c）。

2、代码实现