回顾上一节课，我们了解视觉识别，特别是图像分类，这确实是一个非常困难的问题，因为我们必须考虑到这些可能的变化，并使得当我们在识别这些类型时，分类器能够在面对这些变化时具有鲁棒性，例如对猫的识别，似乎存在着难解决的问题，我们仅需要知道如何解决这些问题，同时我们还必须能够在成千上万的其他类型中解决这些问题，而且这种方法能够基本达到甚至是稍微高于人类识别的准确率，这种技术还可能在手机上实时使用，这种技术在近几年开始有重要突破。
这节课时主要讲述了线性分类器的理解方式，包括linearSVM和softmax，讲解了最小化损失函数用的方法：梯度下降，以及梯度计算需要注意的一些问题。
对于图像分类和视觉识别的问题，我们不能够明确地用固定参数对分类器进行设置，必须用数据来进行训练，所以我们采用不同的训练集，采用验证集来调整超参数，并采用了一个测试集。我们了解最近邻分类器和KNN分类器，还有参数多态方法。讲授者写了一个线性函数，从图像得到一个1行10列的分数矩阵，f=Wx，可以理解为分类器与模板的匹配情况，或者将图片看成在高维度区域，线性分类器对这些区域进行染色。我们对每一张图片都进行随机选择权值设置，然后通过f函数进行评分，所以我们得到不同的权值在不同的图片上的作用效果，可能理想也可能糟糕，我们尽力去找到一些权值，能够使得数据集中的数据和识别的类型相一致，但是现在说的好和坏没有明显的界限。因此，我们有了损失函数，要使得它的值最小，我们要找到合适的W，使得到的损失最小。