w
cat duck frog
|p1 0.1 0.2 0.2
n_i=第i个样品 |p2 0.2 0.3 0.1
p=pixel |p3 0.5 0.1 0.1
-------------------------
x | score
p1 p2 p3| cat duck frog
n1 10 14 10| 8.8 [7.2] 4.4 -->第一个样品得分
n2 5 10 8| 6.5 4.8 2.8 -->第二个样品
n3 10 5 5| 4.5 4.0 3.0 -->第三个样品
[7.2]代表第一个样品的真实类别为duck,分数是7.2
那么按照损失函数的计算方法:
L_i=max(0,8.8-7.2+1)+max(0,4.4-7.2+1)
=1.8+0=1.8
w
cat duck frog
|p1 0.1+0.01 0.2 0.2
n_i=第i个样品 |p2 0.2 0.3 0.1
p=pixel |p3 0.5 0.1 0.1
-------------------------
x | score
p1 p2 p3| cat duck frog
n1 10 14 10| 8.8+0.1 [7.2] 4.4 -->第一个样品得分
n2 5 10 8| 6.5 4.8 2.8 -->第二个样品
n3 10 5 5| 4.5 4.0 3.0 -->第三个样品
代码表示如下
方式一:Non-vectorized implementation
dW = np.zeros(W.shape) # initialize the gradient as zero
# compute the loss and the gradient
...
for i in xrange(num_train):
...
for j in xrange(num_classes):
...
if margin > 0:
...
dW[:,y[i]] -= X[i,:]
dW[:,j] += X[i,:]
方式二:Vectorized implementation
下面具体举例说明:
#假设scores为我们得到的分数,scores=(N,C)
scores=np.array([[1, 2, 3],[4, 5, 6],[7, 8, 9]])
#y表示每一个样本真正的类别
y=np.array([2,1,1])
#这儿选出每行,对应的y的值
#https://mlxai.github.io/2017/01/06/vectorized-implementation-of-svm-loss-and-#
yi_scores = scores[np.arange(scores.shape[0]),y]
# yi_scores=>array([3, 5, 8])
#计算边界函数
margins = np.maximum(0, scores - np.matrix(yi_scores).T + 1)
"""
matrix([[0, 0, 1],
[0, 1, 2],
[0, 1, 2]])
"""
#这儿就是一个小技巧,因为若j=yi时,系数是需要为-1的
margins[np.arange(3),y] = 0
"""
matrix([[0, 0, 0],
[0, 0, 2],
[0, 0, 2]])
"""
loss = np.mean(np.sum(margins, axis=1))
binary = margins
#二值化处理
binary[margins > 0] = 1
"""
matrix([[0, 0, 0],
[0, 0, 1],
[0, 0, 1]])
"""
#计算每个样本分类错误的个数
row_sum = np.sum(binary, axis=1)
"""
matrix([[0],
[1],
[1]])
"""
#这儿的技巧同上面的技巧结合起来,就可以实现分类错误时,系数可以根据yi是否等于j
#进行梯度-(X转置),或梯度+(X转置)的操作
binary[np.arange(3), y] = -row_sum.T
"""
matrix([[ 0, 0, 0],
[ 0, -1, 1],
[ 0, -1, 1]])
"""
#相当于一次性做完方式一的循环操作
dW = np.dot(X.T, binary)