- 博客(5)
- 收藏
- 关注
RSS订阅原创 cs231n笔记（5）（草稿）
1. SVM 代码解析损失函数的计算公式如下：L(W)=1N∑i=1NLi(xi,yi,W)+λR(W)L(W) = \frac{1}{N} \sum_{i=1}^N L_i(x_i,y_i,W)+\lambda R(W)L(W)=N1∑i=1NLi(xi,yi,W)+λR(W) (1)其中 Li(xi,yi,W)=xi∗W−yi+δL_i(x_i,y_i,W) = x_i*W...
2019-12-12 20:40:31
76
原创 cs231n笔记（4）
1. 两种梯度下降策略Stochastic Gradient Descent (SGD):每一次迭代计算mini-batch的梯度，然后对参数进行更新，是最常见的优化方法，公式如下：L(W)=1N∑i=1NLi(xi,yi,W)+λR(W)L(W) = \frac{1}{N} \sum_{i=1}^N L_i(x_i,y_i,W)+\lambda R(W)L(W)=N1∑i=1NLi(...
2019-12-10 22:31:25
66
1
原创 cs231n笔记（3）
1. Hinge Loss 表达式Hinge loss也称之为Multiclass SVM lossL(W)=1/N∑i=1N∑i≠jmax(0,Si−Sj+1)L(W) =1/N \sum_{i=1}^N \sum_{i\neq j} max(0, S_i-Sj+1)L(W)=1/N∑i=1N∑i=jmax(0,Si−Sj+1)2. 正则化当Hinge loss = 0 时，W...
2019-12-09 11:54:31
89
原创 CS231N笔记（2)
f(x,w)线性分类器与knn区别f(x,w)线性分类器是通过特征的线性组合来做出分类决定的函数，输入是x，参数（权重）是w，然后得出一个n维的输出，这个输出可以表示输入目标属于各个类别的概率（分数），不需要保留所有训练数据的信息。而knn没有参数，需要保留所有的训练数据，并在测试过程中使用。线性分类器为什么可以看成一种模板匹配方法参数w中的每一行都可以看做是图像的某个模板，而这一行和图像的...
2019-12-05 11:26:22
93
原创 CS321N笔记（1）
1. 图像分类数据和label分别是什么，图像分类存在的问题与挑战1）数据是输入的图片，label是图片的类别标签2）图像分类需要大量的计算空间和时间，视觉角度的变化、光照变化、形态变化都可能导致图像的数据结构产生变化，然而图像的类别却是不变的，这是一个难点。背景的变化也是一个问题。即使是同一类物体见也有差异。找到一个可以同时处理这些问题的算法是很难的。2. 使用python加载一张彩色图片...
2019-12-02 16:17:55
240
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人