本文介绍了线性分类器在图像识别中的应用，讲解了线性分类器的工作原理，以及如何通过损失函数评估分类效果。重点讨论了多类SVM损失函数和softmax损失函数，分析了它们的优缺点。此外，还探讨了优化方法，如梯度下降法，并提到了随机梯度下降在大规模数据集上的应用。最后，强调了特征提取在图像分类中的重要性。
上一课讲到了图像识别面临的种种挑战：
在计算机看到的数据和人眼理解的图像之间存在着一条鸿沟，提出了用data-driveen的方法进行识别，学习了kNN。
在学习神经网络之前，我们要先学习线性分类器作为基础（building block）。
接上节课的线性分类器，假设一张图片x是32*32*3的，先reshape成一行，与各类的权重W（一个参数矩阵）相乘，在加上一个bias，得到判决为各类的分数，分值越高表示这个分类器认为越有可能是这个类。
1.W代表了当前像素是怎样影响类别的
2.线性分类也可以理解为在高维空间里找到类别之间的linear decision boundaries
举个例子：
1.第一张猫的得分3.2，不是最高分，分类错误，W要继续改进、优化
2.第二张车的得分4.9，是最高分，correct
3.第三张青蛙-3.2，不是最高分，相当糟糕，W要优化
Loss Function
定义损失函数，我们默认训练集有两样数据：X-例子的数据，通常要vectorization；y-正确的类别，即label
Multi-class SVM Loss（铰链损失）：
在safe margin的前提下，正确类别的得分高于错误类别，loss=0
注：si代表各类得分；syi代表正确类别得分
举个例子：
车分类正确，loss=0：
青蛙分类结果最差，loss很高：
最低0.47元/天 解锁文章
扫一扫
3905
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
