![](https://img-blog.csdnimg.cn/20201014180756927.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
深度学习
文章平均质量分 63
黑曜石小刀
这个作者很懒,什么都没留下…
展开
-
行人重识别评价指标rank-k,CMC,mAP
行人重识别中常用算法:rank-k,CMC,mAPrank-k图中左侧为query,右侧为gallery,从右侧检索左侧的数据。圆圈代表正确的答案,x代表错误的答案。第一行第一列有圆圈代表rank1击中,第二行代表rank4击中,以此类推。五个样本中有两个rank1击中,因此Rank-1概率为2/5,五个样本中,前五位有击中的有三个,因此概率为3/5。CMCCMC可以看作是rank-k的集合,将rank-k画成一条曲线。mAPrank-k的缺陷在于只考虑了第一次命中的概率,然而很多时候实际原创 2021-10-01 19:28:40 · 4957 阅读 · 0 评论 -
深度学习中的优化算法
常用优化算法Gradient Descent梯度下降在梯度下降中,每进行一次更新需要遍历整个数据集,以求得梯度大小。这会大大的增加运行的时间。为解决这个问题,因此有了SGD。Stochastic Gradient Descent(SGD)随机梯度下降SGD算法,每次随机选择一个样本计算梯度来进行迭代,随机梯度是对梯度的一个无偏估计。缺点:(1)准确度下降。由于即使在目标函数为强凸函数的情况下,SGD仍旧无法做到线性收敛。(2)可能会收敛到局部最优,由于单个样本并不能代表全体样本的趋势。Mini原创 2021-08-07 20:48:06 · 502 阅读 · 0 评论