10 2018 档案
摘要：一、前向传播：通过一组w参数得到一组得分值f(x)，再做e^x再归一化，再到Loss值。 Bachsize是一次取2的整数倍数（32,64,128）张图片做一次迭代 学习率：过大会来回震荡，找不到最小值；太小，迭代次数过大，效率低。 二、反向传播 由Loss值一步一步往回传，更新权重参数。 先算z对
阅读全文
摘要：SVM输出的是一个得分值； Softmax的输出是概率。 Sigmoid函数 损失函数计算的是判断正确时的概率的损失值，所以这里是0.13。 Softmax分类器对任何一个分数都可以求出一个损失值。
阅读全文
摘要：一、线性分类 得分函数：f(x,W) = W*x + b （均为矩阵运算），W为权重参数，x是图像。 得分高的部分就是判断属于那个类别。 多条线分类 二、损失函数 损失函数评估预测模型的效果，1位容忍值，最终损失值越大表示预测效果越差。
阅读全文
摘要：一、影响图片识别的因素： 1 角度 2 光照强度 3 形状改变（物体的姿态） 4 部分遮蔽（只有半张脸） 5 背景混入 二、常规识别套路： 1 收集数据集并给定标签 2 训练一个分类器 3 测试 评估 三、K-近邻算法 CIFAR-10数据集(数据库样例) 适合用于练习 四、对图像数据怎样计算所谓的
阅读全文
