SVM
文章平均质量分 68
silent56_th
大学生一枚,对机器学习、图像处理感兴趣,偶尔也会刷刷leetcode或者hihocoder。希望在这里可以和大家多多交流,互相学习。
展开
-
CS231n课程笔记3.1:线性分类器(SVM,softmax)的误差函数、正则化
CS231n简介详见 CS231n课程笔记1:Introduction。 注:斜体字用于注明作者自己的思考,正确性未经过验证,欢迎指教。课程笔记这篇是线性分类器的第二部分,回忆线性分类器的线性体现在score的获得,即score = Wx+b,然后predict_label = argmax(score)。具体细节以及关于线性分类器的解释请参考CS231n课程笔记2.2:线性分类器。 如果不考原创 2016-12-15 01:13:34 · 2236 阅读 · 0 评论 -
CS231n作业笔记1.3:SVM的误差函数以及反向传播(非向量及向量算法)
CS231n简介详见 CS231n课程笔记1:Introduction。 注:斜体字用于注明作者自己的思考,正确性未经过验证,欢迎指教。作业笔记SVM的Loss Function请参考 CS231n课程笔记3.1:线性分类器(SVM,softmax)的误差函数、正则化。1. 非向量的误差计算这部分属于作业自带部分,使用loop计算,如果margin大于0,就叠加,最后加入正则项。2. 非向量的梯原创 2016-12-19 01:07:14 · 3108 阅读 · 0 评论 -
CS231n作业笔记1.4:随机梯度下降(SGD)
CS231n简介详见 CS231n课程笔记1:Introduction。 本文都是作者自己的思考,正确性未经过验证,欢迎指教。作业笔记1. 随机梯度下降这部分是对SVM模型进行随机梯度下降,求取近似最优解。关于随机梯度下降的知识请参考CS231n课程笔记3.2:梯度下降,关于SVM的误差以及梯度计算请参考 CS231n作业笔记1.3:SVM的误差函数以及反向传播(非向量及向量算法)。 实践部分原创 2016-12-19 18:40:21 · 1648 阅读 · 0 评论 -
CS231n作业笔记1.7:基于特征的图像分类之调参
CS231n简介详见 CS231n课程笔记1:Introduction。 本文都是作者自己的思考,正确性未经过验证,欢迎指教。作业笔记1. SVM的交叉验证&调参交叉验证的具体内容请参考CS231n课程笔记5.4:超参数的选择&交叉验证。 交叉验证部分的代码和SVM作业中的一模一样,详情请参考CS231n作业笔记1.4:随机梯度下降(SGD),CS231n作业笔记1.3:SVM的误差函数以及反原创 2016-12-23 18:33:01 · 2019 阅读 · 1 评论