第一次机器学习的作业完成了，按照先前做实作的习惯来写一下总结和思考。
作业要求：对COIL20，Yale_32x32，data_batch_1(Cifar)三个数据集，分别运用KMeans对其中的图片进行自动聚类。其中Cifar为(r,g,b)彩图，其余为灰度图数据集已给出了正确标签以作为评估验证。
此外，作业要求组成来自不同学院的3-4人的小队，以提交实验报告的方式考评。
组内队员：yxy，cjx，wzh，zsy（笔者）
开题：看到KMeans其实并不陌生，知道是务监督的聚类方法，实现过对二维坐标(x,y)的聚类，老实讲，效果还是很不错的。但是这次一看到是图片，特别是有彩图我就猜到KMeans聚类出来，可能会雪崩，结果也是验证了我的猜想。
实作过程：KMeans的码量小，思路简单，可是说就是个暴力算法，在考虑到效果可能不优的情况下，和同班同学zxg同学进行了讨论，一致同意先做特征提取，然后去跑KMeans，这也是被这次作业卡到怀疑人生的开始，确切地说，是被特征提取效果卡到心态失衡的一次作业。
实作的心路历程：特征提取，并不陌生，但是没有实作过，zxg同学采用了ae(auto-encoder)进行特征提取，不得不说，zxg同学的选择应该是正确的，因为最后效果zxg同学的ae较为出色地完成了特征的提取，评估结果不优的原因极可能是因为层数过低，毕竟pc很难跑到比较可观的层数（zxg同学向我吐槽12层就死机了，hhh），而我的提取惨不忍睹。为什么当初我没有选择ae？第一、ae我仅在视频中听过其作用，确切地说，是在讲到vae的时候，ae被提及了，我才知道有个这个东西。第二、虽然ae本质也是nn，实现过2层nn的笔者感觉应该是可以掌握的，但是作为刚刚结束了opencv简单操作学习的，对于opencv功能之强大，操作之绚丽，结果之夺目的忠实opencv粉丝。我毫不犹豫地选择了用opencv中的SIFT作为我的特征提取算法，期许能像在之前学习一样，让我眼前一亮。因为sift做了高斯模糊，又弄了图像金字塔，这些在数字图象处理书中高大上的方法，都看到了，个人觉得效果一定不会差。
而至于为什么会选择SIFT，其实原因很简单，SIFT是基于尺度不变的，就是说对于一些简单的数据增强（旋转，平移，缩放）都表现出了良好的结果。而在分类之前我有可视化过COIL20的前100张图，发现确实有旋转的增强数据，而有几张图看起来并无二致，推测是subsample之后再进行还原，所以肉眼看不出来有何区别。所以坚持了SIFT做特征提取，开始踩坑之路。
踩坑：
1、是创建sift，我跟随了很多博客的cv2.SIFT()，发现不行才知道cv更新之后需要使用cv2.xfeatures2d.SIFT_create()的创建方法。
2、对于features的数量是可以限定的，一开始没有限定，跑出了300w的特征，至今不知道为什么会这么大。
3、sift提取的特征可能为nan，之前因为这个问题考虑过很久，为什么一个特征提取算法会对一幅图片，竟然提取不出特征？发现网上的代码也都有判断，不知道是什么机制。
4、sift提取的特征不一定shape相同，所以如果算两幅图的特征距离，需要弄成等大（np.r_[]，np.c_[]）。
5、学一门语言，一定要懂怎么处理异常，至少得会用，可以避免很多输出debug。
6、学东西怎么用，一定要多看，想理解背后机理，则需要多深入挖掘，我一定要搞懂sift！
总结：首先，之前对于opencv的学习可以说比较顺利，没有踩到这么多的坑，每个坑我都切切实实地踏进去，踏地非常深，一度自闭。就感觉别人用的好好的api，自己踩了很多坑才能正常运转，更不要说跑出所描述的样子，就感觉很没有成就感，没有coding的感觉。其次，认识到了opencv的一些不足，不知道个人这样理解对不对，opencv更侧重于用图像图形的方法来处理图像，就拿灰度变换来说。直方图均衡，或者自适应均衡，或是用函数映射，更加侧重得是图像的本质。意思是说在图像本来的基础上，根据周围的来尽可能地还原图像，而一些深度学习方法，个人认为更像是重新在位置上创造，基于大量样本的学习，来表现出一种更加优秀的还原。不得不说，虽然很热衷于opencv，以及一些图像处理的非机器学习的方法，但是目前的机器学习算法确实效果拔群。热衷的原因在于，个人感觉这些数字图像处理的变换或是技巧是根本，学习了图像、视觉的机理，了解一些处理的发展历史，十分有趣之余，才可以更好地学习之后基于机器学习的方法，而不仅仅停留在调用的层次。