图像分类可说是计算机视觉中的基础任务同时也是核心任务，做好分类可为检测，分割等高阶任务打好基础。
本节课主要讲了两个内容，K近邻和线性分类器，都是以猫的分类为例。
一. K近邻
以猫的分类为例，一张含有猫的图片，也不过就是一堆像素点
问题就在于给你一堆点，如何判断出是一只猫，在很久很久以前，这还真是个超级难题，何况不同的猫，像素点完全不一致
具体来说可有以下几种
光照，目标的形变，遮挡，背景杂乱，类内差异等等。
如何利用K近邻算法解决这一问题呢，K近邻，就是将你要判别的目标与已有的大量目标进行比较，与谁最近，就是哪一类，有点物以类聚的意思，不过，只选
取最近的一张作为参照有致命缺陷，保不准就有哪只狗与该目标相近，于是你就把这只猫判断为狗了，所以保险起见，会取最近的K张图片作为参照，其中哪一类
最多，就归属于哪一类，这种做法难说完美，不过比一张靠谱多了。
下面以cifar-10数据集为例展示下k近邻算法。
cifar-10数据集包含10类目标，图像尺寸均为32x32，在充满着高清无码大图的现代社会，着实有些复古。
左图就是数据集的一个图示，右图是根据测试图片选取的10张最近图像，由于图像太小，有些看不清。
那么什么样的图像是比较接近的，或者说如何测量两张图象的距离呢
一种测距方式是L1距离，也叫曼哈顿距离，举例来说，坐标系中两个点（1，1）和（2，2），L1=(2-1)+(2-1)=2，通俗点说你只能直来直去，不能斜着来。
不过对于图像而言，L1并不是一种合适的测距方式，图像不过是一堆像素，你完全可以构造两个L1距离相同的图像，其像素排列却是有很多变化。
像下面这样，右侧三张图与最左侧的距离是一样的，然而三张图却各有不同。
具体计算方式可以像下面这样。
L2距离也许是一种更合适的方式，L2距离，也称欧式距离，L2=√((2-1)**2+(2-1)**2)=√2
在课程的k近邻算法展示主页上，可以自行感受下L1与L2的区别，http://vision.stanford.edu/teaching/cs231n-demos/knn/
除了距离的度量方式，K值的选择也是一个关键因素，很大程度上决定着k近邻算法的好坏，通常不会取为1，只参照一张最相近的的图像来判断测试图像有很大的偶然性。
下图是最好的说明。
在上图中，不同颜色代表不同类别，标出的点是训练数据集，那些没有点的颜色区代表你的测试图像，根据最近邻原则分类，并上色。
可以看到，k=1时类别边界崎岖不平，有些突起已经深入其它类内，显然不合理，再注意绿色中间的黄色区域，代表着该点周围的点被归为黄色类，只因为与该黄色点最近，
显然也是错误的，k=1时分类效果易受噪声影响，具有偶然性。随着k的加大，类别边界趋于平滑，给人的感觉也更加合理，出现的白色区域根据上面的演示网址所说，是投票
数均等的区域，就是无法决策的区域。
那么如何选择测距方式和K值呢，在机器学习里，这些无法训练得来，需要手动设定的参数成为超参数，超参数的设置需要通过实验试探得到，具体需要根据数据集划分来决定。
如上图所示，数据集最佳划分为训练集，验证集，测试集，仅有训练集和验证集都无法保证良好的泛化能力（也就是应用在其它未出现过的数据上），当然，有测试集也无法一定确保良好的泛化能力，但还是比前两个要好很多。
还有一种划分方式为交叉验证，一般用于小型数据集，数据集既能用来训练，又能用来验证。
下图是针对k近邻的5折交叉验证方式，k=7时取得最好结果。
最后总结下，k近邻作为一种简单的分类算法，有着其天然缺陷，一是k值的设置需要实验来确定，二是需要事先存储训练数据集以用来分类，三是致命的一点，每次测试都需要与所有数据进行距离计算，太耗计算资源。
那么，有没有其它办法呢，有，就是接下来要讲的线性分类器。
二.线性分类器
线性分类器基于简单的代数运算，就是相乘相加，以一张猫的图片为例，每一个像素点都有像素值，对每一个点乘以一个权重再相加，就可以输出一个标量值，当你为这个值赋予一定含义的时候，比如正代表动物，负代表其它，那它就构成了一个简单的线性分类器。
同样道理，你也可以输出一个向量，如果进行10分类，则可以输出10维向量。
再具体点，像下面这样。
下面这样
可以将整幅图像看成高维空间中的一点，线性分类器就是点与点之间的分类平面，如果是猫狗二分类，猫的点在一边，狗的点在另一边，中间是分类平面。
画出来就像下面这样。
有了这样的想法，下一步就是设置合适的权重w与偏置b，如何设置涉及到损失函数与最优化的学问，那是下堂课要讲的故事。