《深度学习与图像识别：原理与实践》—3.5　本章小结

3.5　本章小结

本章主要讲述了KNN在图像分类上的应用，虽然KNN在MNIST数据集中的表现还算可以，但是其在Cifar10数据集上的分类准确度就差强人意了。另外，虽然KNN算法的训练不需要花费时间（训练过程只是将训练集数据存储起来），但由于每个测试图像需要与所存储的全部训练图像进行比较，因此测试需要花费大量时间，这显然是一个很大的缺点，因为在实际应用中，我们对测试效率的关注要远远高于训练效率。

在实际的图像分类中基本上是不会使用KNN算法的。因为图像都是高维度数据（它们通常包含很多像素），这些高维数据想要表达的主要是语义信息，而不是某个具体像素间的距离差值（在图像中，具体某个像素的值和差值基本上并不会包含有用的信息）。如图3-14所示，右边三张图（遮挡、平移、颜色变换）与最左边原图的欧式距离是相等的。但由于KNN是机器学习中最简单的分类算法，而图像分类也是图像识别中最简单的问题，所以本章使用KNN来做图像分类，这是我们了解图像识别算法的第一步。

图3-14　图像中具体某个像素值的无意义性