以cat为例：
计算机识别cat标签遇到的困难（这里以猫为例）
1.光线的亮度
2.猫不同姿势
3.猫被其他物理挡住，剩下一部分可见
4.背景干扰
5.类内差异（猫的颜色、大小等）
6.观察的视角变化等
实际上并没有明显的方法来认出猫，或其他类（狗、鹿、分机等）
图像分类的流程：
1.收集大量的数据集，给他们打上定义的标签。
2.通过机器学习认知已收集的数据集长什么样，具有同一标签的共同特征，然后以某种方式形成一个训练模型（分类器），该模型总结了如何识别不同的对象类别。
3.最后我们将训练模型应用到新的图像上，从而可以识别猫、狗、鱼、卡车等。
使用L1和L2距离的分类器
从几何角度来讲L2比L1更能反应2张图像之间的差异，但是要具体情况具体分析，使用两者，哪个效果好用哪个。
K-Nearest Neighbor分类器
思想：
针对需要测试的图片，我们寻找最相似的K个图像的标签，依次对测试图片进行投票，将票数最高的图像的标签作为测试图片的标签。（K=1时，就是Nearest Neighbor分类器，不做详尽叙述）K值如何决定（当然是尝试不同的值，哪个好用哪个了）
###一般我们会将数据分为训练集和测试集，测试集是你最终得出结论的重要依仗，因此我们会使用训练集中的一部分数据来测试最佳K值，而这一部分数据称为验证集。
交叉验证
例如：将训练集平均分成3大份，将其中每一份也分成3份，2份用来训练，1份用来验证，然后我们循环着取其中2份来训练，1份来验证，最后取所有3次验证结果的平均值作为算法验证结果。（具体实践暂时不懂）
c3d的数据分割模式
以3：1的分为训练集和测试集，k值的确定有待考究。后续补上。然后模型训练完毕后，使用模型跑一次测试集，以此次结果来评价所使用的算法的优劣。