目录

• 机器学习基础
• 神经网络基础
• 梯度下降与反向传播
• 卷积神经网络（CNN）
• 激活函数
• 损失函数
• 图像分类基础
• 语义分割基础
• 特征图与注意力机制
• CAM可视化技术
• 常用评价指标
• 本周总结

---

1. 机器学习基础

机器学习的目标是寻找输入与输出之间的映射关系：

y=f(x)
 

其中：

• (x) 为输入数据

• (y) 为预测结果

• (f) 为模型

机器学习本质上是利用数据学习规律。

常见任务：

• 分类（Classification）

• 回归（Regression）

• 聚类（Clustering）

---

2. 神经网络基础

神经网络由大量神经元组成。

单个神经元表达式：

输出：
a=f(z)
其中：

• (w) 为权重

• (b) 为偏置

• (f) 为激活函数

神经网络本质上是在不断学习最优参数。

---

3. 梯度下降与反向传播

训练神经网络的核心是优化参数。

参数更新公式：

其中：

• 为参数

• 为学习率

• 为损失函数

目标：

即让损失越来越小。

---

4. 卷积神经网络（CNN）

CNN是计算机视觉领域最经典的模型。

卷积运算：

展开后：

作用：

• 提取边缘

• 提取纹理

• 提取目标特征

CNN能够自动学习图像特征。

---

5. 激活函数

ReLU

特点：

• 计算简单

• 收敛速度快

• 当前最常用

---

Sigmoid

输出范围：

常用于二分类任务。

---

6. 损失函数

均方误差（MSE）

适用于回归问题。

---

交叉熵损失（Cross Entropy）

适用于分类问题。

特点：

• 分类任务最常见

• 收敛速度较快

---

7. 图像分类基础

分类任务目标：

例如：

猫 → Cat

狗 → Dog

分类流程：

图像
 ↓
CNN
 ↓
特征提取
 ↓
全连接层
 ↓
类别预测

最终输出概率：

---

8. 语义分割基础

语义分割需要对每一个像素分类。

输入：

Image

输出：

Mask

即：

每个像素都有类别标签。

应用场景：

• 自动驾驶

• 医学图像

• 遥感图像

---

9. 特征图与注意力机制

卷积层输出称为特征图（Feature Map）。

表示：

其中：

• C：通道数

• H：高度

• W：宽度

特征图包含网络提取出的语义信息。

注意力机制的核心思想：

让模型重点关注重要区域。

---

10. CAM可视化技术

CAM（Class Activation Map）用于观察模型关注区域。

计算方式：

其中：

• 为特征图

• 为分类权重

作用：

• 模型可解释性

• 热力图可视化

• 目标区域定位

---

11. 常用评价指标

Accuracy

衡量总体正确率。

---

Precision

衡量预测为正样本中有多少正确。

---

Recall

衡量真实正样本被找出多少。

---

Dice

医学图像最常用指标之一。

---

IoU

表示预测区域与真实区域重叠程度。

---

mIoU

  

语义分割领域经典评价指标。

---

12. 本周总结

       本周主要学习了机器学习与深度学习中的基础理论，包括神经网络、梯度下降、卷积神经网络、损失函数、图像分类、语义分割、特征图可视化以及评价指标等内容。通过对相关知识的学习，对深度学习模型的训练流程和计算机视觉任务有了更加系统的理解，也为后续学习高级网络结构和医学图像分析奠定了理论基础。