任务标题：
学习线性分类器
任务详情：
观看第二讲：图像分类 第6课时视频；观看knn与线性分类器知识点提点
学习内容提要：
第二讲：图像分类
·6线性分类器
对于32 * 32 * 3一张图彩色图，f(x,w)线性分类器与knn区别
线性分类器模型函数f(x,w)=wx+b （可以看成一种模板匹配方法）
线性分类器的缺点也就是存在的问题
Ps: f(x,w)线性分类器与knn区别 线性分类器的缺点也就是存在的问题
·homework
作业：训练KNN分类器（assignment1 中的 knn.ipynb）
作业下载链接：
链接:https://pan.baidu.com/s/1sAHQASS19YIlnE_kKQwkeQ 密码:mgej
打卡内容：
1. f(x,w)线性分类器与knn区别
线性分类器是参数模型中最简单的列子，在深度学习中整个描述都是关于函数F的正确结构，你可以发挥自己的想象来编写不同的函数，用不同的，复杂的方式来组合数据和权重。
线性分类器的工作方式如下，其实质是给不同的像素点分配不同的权重。
Knn通过距离度量来划分种类，线性分类器是通过平面来划分类别。
knn没有可以学习的权重，线性分类器有可以学习的权重w。
3. 线性分类器为什么可以看成一种模板匹配方法
权重矩阵的每一行对应一个模板，这个类的图像模板与像素之间有一个相似之处，偏差给了你这个数据每个类别的独立缩放比例。
取权重矩阵的每一行并还原为图像，实际上是将这些模板可视化为图像，其展示了一个线性分类器是如何理解数据并进行分类的。
4. 线性分类器的缺点也就是存在的问题
线性分类器每个类别只能匹配一个模板，如果这个类别出现别的变体，那么它将求出所有变体的平均值，并只使用一个模板。神经网络以及更加复杂模型，不再局限于一个类别只学习一个模板的限制，能得到更高的准确率。
线性分类器相当于回归到图像，其尝试用一个线性分类面来划分一个类别。
线性分类器有局限性，有些数据无法用简单的一条直线进行分类。比如说奇数和偶数的划分，如下图左侧。另一个问题是线性分类器其无法解决多分类问题，如下图右侧。还有一个问题是一旦增加新的类别，权重就需要重新训练很花费时间。
5. 分析代码实现的任务是什么，每个函数模块实现的功能是什么，代码运行的逻辑
来源：CSDN
作者：Hushenghan12
链接：https://blog.csdn.net/Hushenghan12/article/details/103610848