最优传输-熵正则化(第八篇)

最优传输系列是基于Computational Optimal Transport开源书的读书笔记

最优传输的熵正则化

在大型数据集上进行最优传输时 ,时间复杂度是个非常重要的因素。
不过,在大部分应用情况下,求标准Kantorovich解是不必要的:如果我们利用正则化,改求近似解,那么最优传输的计算代价就大幅降低了。

使用正则化的最优传输问题用一系列矩阵乘法即可求解–这意味着最优传输可以充分享受GPU的矩阵加速效果,实用价值明显提升。

同时,正则化后的最优传输距离对输入的概率分布是完全连续的,并且能够系统式求导,在WGAN等方向上这点卓有成效。

在这章里,我们正式介绍熵正则化之后,继续探索最优传输的主力算法–Sinkhorn algorithm,从第三章的理论基础出发,向最优传输的实际应用前进。

4.1 正则化–定义

H ( P ) = d e f . − ∑ i , j P i , j ( log ⁡ ( P i , j ) − 1 ) \mathbf{H}(\mathbf{P}) \stackrel{\mathrm{def.}}{=}-\sum_{i, j} \mathbf{P}_{i, j}\left(\log \left(\mathbf{P}_{i, j}\right)-1\right) H(P)=def.i,jP

  • 2
    点赞
  • 29
    收藏
    觉得还不错? 一键收藏
  • 4
    评论
有很多正则化算法可以在Python中使用。其中一些常用的算法包括L1正则化(LASSO)、L2正则化(Ridge)和弹性网络(Elastic-Net)。L1正则化通过在损失函数中加入L1范数来惩罚模型中的不重要特征,从而促使模型更加稀疏。L2正则化通过在损失函数中加入L2范数来惩罚模型中的参数的大小,从而避免过拟合。弹性网络是L1和L2正则化的一种组合,它可以在模型中同时使用L1和L2范数。这些算法都可以通过Python中的机器学习库(如scikit-learn)来实现和应用。<span class="em">1</span><span class="em">2</span><span class="em">3</span> #### 引用[.reference_title] - *1* [用于正则化回归的 Python算法_python_代码_下载](https://download.csdn.net/download/qq_38334677/85580842)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_1"}}] [.reference_item style="max-width: 50%"] - *2* *3* [正则化算法_了解正则化算法](https://blog.csdn.net/weixin_26712065/article/details/108915870)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_1"}}] [.reference_item style="max-width: 50%"] [ .reference_list ]

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 4
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值