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。
如果不考虑图像领域的应用背景,线性分类器可以看做是对于高维空间进行切分的超平面,如何评价超平面的好坏,进而找出在该评价指标中最好的超平面(即最好的W与b),则是本节所涉及内容。
Lecture中给出个很好的实时网站http://vision.stanford.edu/teaching/cs231n/linear-classify-demo/,可以用于测试不同的Loss, Regularization所能得到的不同结果。
1. 误差函数Loss Function
1.1. Hinge Loss Function
Hinge Loss是