图像分类是计算机视觉中的一个核心问题，对象检测、图像分割问题也可以转化成图像分类问题。
    图像分类需要在能够识别类别之间的差异的同时，忽略类别内部的差别：视角、尺寸、变形、遮挡、明暗、背景杂乱、类别内部的不同细分种类。
    我们可以用大量已经标记好标签的图片来训练计算机，这样的算法称为数据驱动的方法。
    最近邻居算法：将待预测的图片与训练集中的每张图片逐像素对比，找出最接近的图片的类别，即作为预测类别。衡量图片之间的差异可以通过数值差绝对值（L1）或平方（L2）。准确率只有40%。
    k最近邻居算法（KNN）：从最接近的1张图片，放宽范围到最接近的k张图片。
    超参数：机器学习中策略的选择，比如L1还是L2。
    过拟合：算法在一个数据集上效果好，但在另一些数据上效果变差。永远不要把测试集用于训练。
    验证集：从训练集中拿出一小部分数据，用于尝试找出最佳的超参数。可以依次取1/3～1/10做验证集，然后对结果做平均，这种方法称为交叉验证。不过交叉验证计算量很大，一般只验证一组。
    KNN主要问题是预测的开销过大，需要保存整个训练集，而且需要将待预测的图片与训练集中的每张图片做对比。而且像素级对比在图像识别上与人类认知差别很大，更多受颜色分布和背景的影响，而非画面主体。所以有效的算法必须在高于像素的维度上工作。
    按照L2距离将相似的图片摆放在一起：
    image.png