作业答案:
1、知乎的
2、CSDN的CS231n课程学习笔记(二)——SVM的实现
可以结合两者做,现总结问题如下:
1、要把“linear_classifier.py”和“linear_svm.py”里的“xrange()”全部改成“range()”,不然会报错。
2、import的运用(也可查看参考):
1)
import sys
sys.path.append("/home/djz/cs231n_assignment/assignment1/cs231n/")
from gradient_check import grad_check_sparse
2)在目录里面增加__init__.py文件,里面可以写import时执行的代码,当然也可以留空就可以.
from home.djz.cs231n_assignment.assignment1.cs231n.gradient_check import grad_check_sparse
3、在linear_svm.py中的svm_loss_vectorized()函数中,上面的代码不能用,要使用下面的代码才能通过
'''
margin = (margin > 0)*1
row_sum = np.sum(margin,axis=1)
margin[np.arange(num_train),y] = -row_sum
dW = X.T.dot(margin)/num_train + reg*W
'''
co
eff_mat = np.zeros((num_train, num_classes))
coeff_mat[margins > 0] = 1
coeff_mat[range(num_train), list(y)] = 0
coeff_mat[range(num_train), list(y)] = -np.sum(coeff_mat, axis=1)
dW = (X.T).dot(coeff_mat)
dW = dW / num_train + reg * W
如图:
4、lambda 形参列表 : 函数返回值表达式语句
5、注意大小写。
6、交叉验证最好的精度是0.404,如下图:
7、训练精度和验证精度,如下:
8、权重可视化结果: