CV第三课

LOSS FUNCTION  AND OPLIZATION （来源网易公开课-斯坦福大学 CV课程）

 

LOSS FUNCTION：

　　1.W中的每一行都是 某一类的像素值的权重/分类模板，说明对应像素(3072*1)对该类别（猫，狗，汽车）的影响。

　　2. 而判断权重矩阵（weight matrix）的好坏的函数就是 loss function  （学了好久都不知道loss function是用来决定权重矩阵的）

　　　　以下是 hinge loss的公式， 表示：

　　　　　　只要 目标类的score比其他类的score高出一个safe_margin的值就可以了，少的值就是 loss

　　　　　　例如，对于一张猫的image，该模型对猫类得分（3.2）比对狗类得分(5.1)，蛙类得分(-1.7)高出1分算合格，这里不合格。

　　

 

 

 

 

　　2. （补）所以该模型的总 Loss 为该模型所有类预测的loss的平均

 　　SVM_loss_function: 只要正确分类的值高过某个阈值，loss就是0

　　softmax_loss_function: 正确分类的exp值，占各个分类exp值之和的比重，再加对数。 所以正确分类取值多大，loss 都达不到 0

 

　　3. 正则项： 为了防止 Loss function 采用复杂的函数来 拟合training_data，导致overfiting，这里引入了正则项：model should be simple

　　

　　　　对高次幂模型的惩罚项

 

　　4. loss function 总结

 

 

 

 

OPLIZATION：

 

1. 初步想法 numerical gradient  在W的每个维度都前进一个learning rate ，然后通过loss计算出dW，再挑选梯度下降的最多的一个维度

　　缺点：这样在实际中可能要计算百万次，一次计算百万个维度的 loss ，这样的计算量是不可行的

　　

 

 

 

 

2.  analytic gradient 想要得到某个方向的梯度下降速度可以直接求导 dW

 　　缺点： 虽然省去了计算loss 的步骤，但是每一次learning rate的前进还是要计算维度次数（可达百万次）的导数

3. stochastic Gradient Descent (SGD) 随机梯度下降

 　　https://www.zhihu.com/question/264189719