姿态、环境、遮挡这些问题算法都因该是robust

课程中提到具体写一个识别猫咪的算法是不稳定的，容易出错的。

所以提出了Data-Driven Approach的方法

 一个是训练函数， 这函数接受图片和标签，然后输出标签

另一个则是预测函数，输入model对图像标签进行预测

最近邻算法： 

 在预测环节中，会拿一些新的图片，在模型中寻找与新图片最相似的，基于此给出一个新的标签

这里用的很多很多属性都是数据驱动的。

数据集：CIFAR10

曼哈顿距离（L1距离）：

  最近邻算法时间复杂度：

Train：O（1）

Predict：O（n）

花了很多时间在预测上，所以算法比较落后。

---

L2距离（欧氏距离）：

---

K近邻算法没听懂的可以去看：（虽然我觉得这个算法不重要hh），但可以去听这个视频里讲的kd树后面会用到的！

[5分钟学算法] #01 k近邻法_哔哩哔哩_bilibili