前言

       先來一張美景圖，欣賞一下大天然，順便你們猜猜這是哪裏？

       有時候真感嘆大天然的雄偉壯闊，天然造成了無數的山和風景不須要任何點綴，有時候在想爲何親近天然界咱們會有親近的感受，可能那是咱們的來源，咱們人類在通過了無數代的繁衍生息，發展到瞭如今的文明，這些都是前輩們智慧的結晶，就好比咱們天天看的電視、電腦，它們把彩色的世界呈如今咱們眼前，提升了咱們的生活品味和視覺享受，那麼你是否想過它是怎麼造成的嗎？下面就讓咱們來講說它的原理。web

三原色原理

百度百科算法

人眼對(Red Green Blue)紅、綠、藍最爲敏感，人的眼睛像一個三色接收器的體系，大多數的顏色能夠經過紅、綠、藍三色按照不一樣的比例合成產生。一樣，絕大多數單色光也能夠分解成紅、綠、藍三種色光，這是色度學的最基本的原理，也稱三原色原理。數組

       說道這裏不免會有些好奇、有些疑問了，爲何是三原色？爲何不是四原色、五元色呢？app

       經過蒐集相關資料又發現了牛頓這個耳熟能詳的人物，驚訝於這又和他有關係，他這一輩子爲人類得作了多少貢獻，牛頓經過三菱鏡首先發明瞭天然光能夠分解爲不一樣顏色的七彩色光，偉人的思想每每是不同凡響的，他們每每不會止步不前，繼續思考 他在想既然天然光能夠分解，那麼七彩色光是否是也能夠被分解或者合成呢？
順着這個思路他又通過了無數個晝夜不停的實驗和計算，（至於怎麼實驗的感興趣的能夠本身搜索）終於真理又讓他發明了，在七彩色光中只有紅、綠、藍三種顏色不可以再繼續分解，不能分解也就是原子的 這點和事務的特性同樣，因此稱其爲三原色，其它的光能夠經過這三種光來組合疊加和相減算出來。svg

三原色咱們達成的共識是這樣的：
（1）天然界的任何光色均可以由3種光色按不一樣的比例混合而成。
（2）三原色之間是相互獨立的，任何一種光色都不能由其他的兩種光色來組成。
（3）混合色的飽和度由3種光色的比例來決定。混合色的亮度爲3種光色的亮度之和。測試

       三原色在應用於實際生活中時既能夠相加，也能夠相減，採用相加的方式成爲RGB顏色模型和CMY模式（品紅、青色、淡黃），也是用的最多的一種，相減爲CMYK模型，他們分別用於繪圖和印刷領域。
       三原色之因此能夠表明最基礎的色彩，還有另一個原理即正交，任何事物若是想研究他們 讓他們正交是最好的組織方式，由於他們互不影響，如通笛卡爾座標系同樣，在座標系中能夠表示任何點同樣，三原色猶如三個座標系，由三個顏色座標系能夠表示出來不少種顏色，即三原色表明了世界這麼多顏色，反過來也能夠看作是這麼多色彩的抽象，從而又論證了科學、科研是一個不段抽象、不斷總結昇華的過程，因此 學會總結 抽象很是重要。
        軟件或屏幕顯示圖片的時候是利用電子光照射屏幕上的發光材料產生的色彩，多個色彩相加，而印刷是墨的反光相減，能夠說三原色的應用大大提升了咱們認識世界和觀察世界的途徑，而不是活在非黑即白的世界裏面。rest

       經過三原色能夠組合出來天然界的各類各樣的色彩，每種顏色值能夠經過數值來表示大小強弱等，以目前計算機中8位來保存顏色值，每種顏色值的範圍是0-255個值來表示，根據組合原理三種色組合起來有255255255種色彩，對於咱們肉眼的分辨能力已經夠用了。code

顯示器爲何有顏色？

       理解了三原色再來看這個問題會比較簡單，在電子屏幕上有能夠發光的三種材料熒光材料，在通過電子槍照射時會組合成不一樣顏色，電子槍的強弱便可以表示三種原色的色值大小，組合出來的顏色也就各不相同，有些特別類似的顏色也不是咱們肉眼就能看出來的，即知足了在咱們視力範圍內的色彩。視頻

圖像識別-計算

       一張圖片在屏幕上面若是無限縮小會看到是由無數個點組成的，其實任何事物都是由無限到有限來組成，無數個點會組成一個平面，當點和點之間的間距足夠小時咱們的肉眼是分不出來的，咱們看到的就是一個圖像，當無限個圖像從咱們眼前閃過就會造成視頻電影，他們都是一個道理，比如幾何中的點組成線、線組成面、面組成立體空間，當分析到這一層次圖像識別就顯着處理簡單了，只要讓計算機計算組成圖片的無數個點的特徵就能夠識別出來類似圖片，固然這也依賴於強大的運算能力，由於像素高的大圖是很是大的，如常見筆記本電腦像素，有1366*768個像素點，數量級別在百萬級，何況以RGB模式來講有三個通道顏色 將會更大。xml

PC如何存儲圖片？

       圖片在計算機中是一個三維矩陣，讓咱們經過一個圖片直觀感覺一下,以下圖是訓練集中第一個類型裏面第一張圖片

咱們取該圖中第一個通道矩陣，並打印出來以下：

# 打印red 通道圖片矩陣
img_df = pd.DataFrame(X_train[0][:,:,0])
img_df.to_csv('X_train0101.csv')
plt.imshow(X_train[0])
plt.show()

       從圖片能夠看到每一個像素點的值都在0-255之間，三個這樣的顏色矩陣就能夠組裝出來一個彩色圖片，矩陣越大像素點越多，會越清晰固然佔用內存也就越大，在實際預測時有時會對矩陣進行變化，變爲一個長的向量，方便計算距離，下面咱們將這名變化來就是那距離。

knn圖片識別

以下先上代碼，思路是將三維的圖片矩陣 轉化爲一個長的n*1的向量，而後計算測試集每一個圖片到訓集每一個圖片的歐式距離，也就是兩個向量的距離，區最近的來做爲判別分類標準。

import os
import sys
import numpy as np
import cPickle as pickle  
from scipy.misc import imsave
import matplotlib.pyplot as plt

# 加載cifar-10圖片文件
def load_CIFAR_batch(filename):
    with open(filename, 'rb') as f:
        datadict=pickle.load(f)
        # 查看字典變量的key值狀況
        print datadict.keys()
        X=datadict['data']
        Y=datadict['labels']
        # 默認顏色通道爲 3 32 32 形式，須要變爲32 32 3的形式
        X=X.reshape(10000, 3, 32, 32).transpose(0,2,3,1).astype("float")
        Y=np.array(Y)
        return X, Y

# 多個文件時組裝加載的數據
def load_CIFAR10(ROOT):

    xs=[]
    ys=[]

    for b in range(1,6):
        f=os.path.join(ROOT, "data_batch_%d" % (b, ))
        X, Y=load_CIFAR_batch(f)
        xs.append(X)
        ys.append(Y)

    X_train=np.concatenate(xs)
    Y_train=np.concatenate(ys)

    del X, Y
    X_test, Y_test=load_CIFAR_batch(os.path.join(ROOT, "test_batch"))
    return X_train, Y_train, X_test, Y_test

# 載入訓練和測試數據集
X_train, Y_train, X_test, Y_test = load_CIFAR10('cifar-10-batches-py/') 

# 把32*32*3的多維數組展平
Xtr_rows = X_train.reshape(X_train.shape[0], 32 * 32 * 3) # Xtr_rows : 50000 x 3072
Xtr_rows2000 = Xtr_rows[0:5000,:]
Y_train2000 = Y_train[0:5000]

# print type(Xtr_rows)
# print Y_train[0:2000]

Xte_rows = X_test.reshape(X_test.shape[0], 32 * 32 * 3) # Xte_rows : 10000 x 3072
Xte_rows2000 = Xte_rows[0:5000,:]


class NearestNeighbor:
  def __init__(self):
    pass

  def train(self, X, y):
    """ 
    這個地方的訓練其實就是把全部的已有圖片讀取進來 -_-||
    """
    # the nearest neighbor classifier simply remembers all the training data
    self.Xtr = X
    self.ytr = y

  def predict(self, X):
    """ 
    所謂的預測過程其實就是掃描全部訓練集中的圖片，計算距離，取最小的距離對應圖片的類目
    """
    num_test = X.shape[0]
    # 要保證維度一致哦
    Ypred = np.zeros(num_test, dtype = self.ytr.dtype)

    # 把訓練集掃一遍 -_-||
    for i in xrange(num_test):
      # 計算l1距離，並找到最近的圖片
      distances = np.sum(np.abs(self.Xtr - X[i,:]), axis = 1)
      min_index = np.argmin(distances) # 取最近圖片的下標
      Ypred[i] = self.ytr[min_index] # 記錄下label

    return Ypred

nn = NearestNeighbor() # 初始化一個最近鄰對象
nn.train(Xtr_rows2000, Y_train2000) # 訓練...其實就是讀取訓練集
print "開始訓練"
Yte_predict = nn.predict(Xte_rows2000) # 預測
print Yte_predict
print "結束訓練"
# 比對標準答案，計算準確率
print 'accuracy: %f' % ( np.mean(Yte_predict == Y_test) )

發現這個訓練很耗時間，一時半會出不來結果參考網上結果爲30%+，可見效果並非特別好。

總結

這只是一個圖像識別的思路，除此以外還有不少高校的識別方法，之後會探索更搞笑的算法，對於圖像識別越快速、準確率、召回率越高，越是咱們但願看到的。

題外思考

創造平等的機會 與 平等的結果 誰更好？        咱們先舉一個簡單的例子，好比很厲害的清華大學要像全社會招生，因爲社會各個地區教育資源、師資力量不平等形成了他們最終考試的水平也不平等，好的地方極可能分數比較高，形成大學招進來的人都是資源好的地方的學生，教育原本就欠缺的地方永遠也沒有進去好大學的資格，如何改變這種情況呢？        能夠提升基礎教育條件對於條件很差的地方加大投資力度，幫助教育落後的地方改改教育情況，即創造平等的參與機會，另外一種作法是大學按地區名額來招生，每一年給教育落後地區也分配必定名額，那麼他們也能夠進度好大學，如此也可能帶來大學總體水平降低，各有利弊，我是以爲創造平等機會實際上是更好的，有助於提升升大學的綜合水平，爲社會培養出來更多的精英。         法國高等教育分爲了兩類，一類是共同大學 另外一類是精英大學，共同大學注重公平性屬於普及綜合教育、基礎教育一類，精英大學是培養高端人才的，每一年招收不如3%，歷史上法國大部分科學家、高管都出自它的精英大學，好比巴黎綜合工科學院 ，咱們熟悉的泊松既出自這個學校，泊松的二項式定理，邏輯迴歸方程推導時即假設了樣本是服從泊松分佈的，你們也能夠思考思考哪一個更重要！