课程主页：http://cs231n.stanford.edu/
Task：
Challenges:
____________________________________________________________________________________________________________________________________________________________________________________
Data-driven approach:
____________________________________________________________________________________________________________________________________________________________________________________
－采用最简单的分类器：knn
＊distance的定义：
当然，这里才用的L1 (Manhattan) distance，当然也可以采用 L2 (Euclidean) distance。
＊如何确定k的值？
将数据分为6份，其中1份作为测试集。剩下的5份中，4份作为训练集，1份作为评估集（用以得到最佳的k值）［5折交叉验证］。
－缺陷：
____________________________________________________________________________________________________________________________________________________________________________________
－采用线性分类器：Linear Classification
输入一个image和若干个参数（每一类都会有一组属于自己的参数即w和b），返回这个image属于每一类的score。
我们希望的是：如果一张图是猫，那么将这张图输入到cat()里面算出来score应该为最高，其他的类别都很低。
＊缺陷：
如果是grey picture的话，效果会很差。
从这个实验我们以发现，
第一张图，实际是一只猫，但是算出它是猫的score一般，所以我们认为对于这张图而言，w并不理想。
第二张图，实际是一辆车，算出它是车的score最高，所以我们认为对于这张图而言，w很理想。
第三张图，实际是一只青蛙，算出它是青蛙的score相对很低，所以我们认为对于这张图而言，w很不理想。
＊引出loss function，用于量化结果是否理想（程度）。
好处：如果你的loss function的值很高，说明w不理想，所以需要调整。通过这种方式，可以帮助我们找到一组w，能够对于test dataset中的每一张照片都有一个相对理想的结果。
