标签：最优 标准 imu .sh 计算 res ima alt com
SVM损失函数 & SoftMax损失函数：
注意一下softmax损失的用法：
import numpy as np
def L_i(x, y, W):
‘‘‘
非向量化SVM损失计算
:param x: 输入矢量
:param y: 标准分类
:param W: 参数矩阵
:return:
‘‘‘
delta = 1.0
scores = W.dot(x)
correct_score = scores[y]
D = W.shap[0]
loss_i = 0.0
for j in range(D):
if j==y:
continue
loss_i += max(0.0, scores[j] - correct_score + delta)
return loss_i
def L_i_vectorized(x, y, W):
‘‘‘
半向量化SVM损失计算
:param x: 输入矢量
:param y: 标准分类
:param W: 参数矩阵
:return:
‘‘‘
delta = 1.0
scores = W.dot(x)
margins = np.maximum(0, scores - scores[y] + delta)
margins[y] = 0
loss_i = np.sum(margins)
return loss_i
import numpy as np # 正常的softmax分类器 f = np.array([123, 456, 789]) # p = np.exp(f) / np.sum(np.exp(f)) # print(p) # 数值稳定化的softmax分类器 f -= np.max(f) p = np.exp(f) / np.sum(np.exp(f)) print(p)
损失函数=代价函数=目标函数
svm给出一个得分，softmax给出一个概率。
标签：最优 标准 imu .sh 计算 res ima alt com
原文地址：http://www.cnblogs.com/hellcat/p/6978838.html
