训练softmax分类器实例_softmax和SVM的区别和比较

目前解决图像分类问题，比较流行的方法是卷积神经网络上。这种方法主要有两部分组成：一个是评分函数（score function），它是原始图像数据到类别分值的映射。另一个是损失函数（loss function），它是用来量化预测分类标签的得分与真实标签之间一致性的。该方法可转化为一个最优化问题，在最优化过程中，将通过更新评分函数的参数来最小化损失函数值。

1.线性分类器

1.线性分类器

2.理解线性分类器
线性分类器计算图像中3个颜色通道中所有像素的值与权重的矩阵乘，从而得到分类分值。根据我们对权重设置的值，对于图像中的某些位置的某些颜色，函数表现出喜好或者厌恶（根据每个权重的符号而定）。举个例子，可以想象“船”分类就是被大量的蓝色所包围（对应的就是水）。那么“船”分类器在蓝色通道上的权重就有很多的正权重（它们的出现提高了“船”分类的分值），而在绿色和红色通道上的权重为负的就比较多（它们的出现降低了“船”分类的分值）。

一个将图像映射到分类分值的例子。为了便于可视化，假设图像只有4个像素（都是黑白像素，这里不考虑RGB通道），有3个分类（红色代表猫，绿色代表狗，蓝色代表船，注意，这里的红、绿和蓝3种颜色仅代表分类，和RGB通道没有关系）。首先将图像像素拉伸为一个列向量，与W进行矩阵乘，然后得到各个分类的分值。需要注意的是，这个W一点也不好：猫分类的分值非常低。从上图来看，算法倒是觉得这个图像是一只狗。

3.将图像看做高维度的点

既然图像被伸展成为了一个高维度的列向量，那么我们可以把图像看做这个高维度空间中的一个点（即每张图像是3072维空间中的一个点）。整个数据集就是一个点的集合，每个点都带有1个分类标签。

既然定义每个分类类别的分值是权重和图像的矩阵乘，那么每个分类类别的分数就是这个空间中的一个线性函数的函数值。我们没办法可视化3072维空间中的线性函数，但假设把这些维度挤压到二维，那么就可以看看这些分类器在做什么了：

图像空间的示意图。其中每个图像是一个点，有3个分类器。以红色的汽车分类器为例，红线表示空间中汽车分类分数为0的点的集合，红色的箭头表示分值上升的方向。所有红线右边的点的分数值均为正，且线性升高。红线左边的点分值为负，且线性降低。

2.损失函数

2.1多类支持向量机损失 Multiclass Support Vector Machine Loss

SVM的损失函数定义：

折叶损失（hinge loss）
定义如下：

平方折叶损失（hinge loss）
定义如下：

边界损失：

SVM举例说明：

用预测错误的得分减去预测正确的得分加上一个容错

N为图片样本的个数，损失函数的大小不和样本图片的数量有关系。

2.2 正则化（Regularization）

为什么要正则化？

权重w1和权重w2对输入的评分结果相同都是1，但是w1只考虑第一个像素，w2把每一个像素都考虑进去了，可知要得到相同的评分结果的权重参数w可能是无穷多个的。

存在问题：假设有一个数据集和一个权重集W能够正确地分类每个数据（即所有的边界都满足，对于所有的i都有L_i=0）。问题在于这个W并不唯一：可能有很多相似的W都能正确地分类所有的数据。

换句话说，我们希望能向某些特定的权重W添加一些偏好，对其他权重则不添加，以此来消除模糊性。这一点是能够实现的，方法是向损失函数增加一个

正则化惩罚（regularization penalty）

上面的表达式中，将W中所有元素平方后求和。

所以一个完整的损失函数由两个部分组成：数据损失（data loss），即所有样例的的平均损失L_i，以及正则化损失（regularization loss）。

又加了一个正则化惩罚项，惩罚就是惩罚权重参数，一般用L2惩罚，对输入的每个参数进行平方计算。

损失函数的最终版：

N是训练集的数据量，λ是权重。

正则化项在神经网络中的重要作用：：

3.Softmax

SVM得到的是得分值，并不是确定的概率值，可以通过sigmoid函数把输入为任意数的得分值转化为概率值。
Softmax分类器使用交叉熵损失（cross-entropy loss）

softmax函数

softmax函数：

和SVM 分类器一样，整个数据集的损失值是数据集中所有样本数据的损失Li的均值与正则化损失R(W)之和。

举例如下：

如何求分类的概率？
把得分值取e操作，让大的更大，小的更小，然后求概率。
如何求损失？
对于概率再取log运算。

Softmax时一个永远不知道满足的分类器。