影象歸一化、特徵向量的距離（歐式距離、餘弦相似性）的理解
阿新 • • 發佈：2019-02-08
#PS：要轉載請註明出處，本人版權所有
#PS:這個只是 《 我自己 》理解，如果和你的
#原則相沖突，請諒解，勿噴
前言
最近的大部分時間都在學習影象和DL相關知識，並做一定的應用，這裡對我學習過程中的一些基礎知識進行了整理。
影象歸一化
歸一化就是將影象畫素值(列如：[0,255])經過一定的計算，使其所有的畫素值變換到某一個特定的區間（列如：[0,1]或者[-1,1]）。
我所理解的歸一化的作用有以下：
1 減小對影象處理的計算量
2 消除亮度對圖片的影響，避免帶來了亮度資訊的干擾。
3 消除影象中的極大特徵對影象處理的影響，使的影象的特徵更均勻，同時也使得影象中的極小特徵能夠表現出來，不會被抑制。
4 加快神經網路的收斂，原理就是目標函式輸入引數取值範圍越小，其等高線近似圓，而不是橢圓，使得梯度下降更快。
特徵向量距離
這裡有兩種方法把我搞懵逼了。
歐氏距離
我們常見的二維空間計算兩點距離的公式：dst=sqrt((x1-x2)^2+(y1-y2)^2) 就是歐氏距離在二維空間的定義，多維空間同理。
（我理解為：這個距離主要是用來計算兩個向量中兩個點之間的距離,結果對數值非常敏感，突出的是一種數值大小的感受，如判斷圖片的分類時，對圖片進行打分）
餘弦相似性
餘弦定理：cosM=(向量A.向量B)/||A||*||B||，描述向量A、B的方向的差異。
（我理解為：這個相似性是描述的兩個向量的方向差異，對數值不敏感，突出的是一種相似性的感受，列如人臉特徵向量的對比）
其他還有很多方法，但是我沒有用到
#PS：請尊重原創，不喜勿噴
#PS：要轉載請註明出處，本人版權所有.
有問題請留言，看到後我會第一時間回覆