2.3.1 線性分類

2.3.1.1 線性分類解釋

上圖圖中的權重計算結果結果并不好，權重會給我們的貓圖像分配?個?常低的貓分數。得出的結果偏向于狗。

如果可視化分類，我們為了?便，將?個圖?理解成?個?維的點，在下?坐標中顯示如下：

• 解釋：w的每??都是其中?個類的分類器。這些數字的?何解釋是，當我們改變w的?行時，像素空間中相應的線將以不同的?向旋轉。?其中的偏置是為了讓我們避免所有的分類器都過原點。
• 總結：分類器的權重矩陣其實是對應分類的經過訓練得到的?個分類模板，通過測試數據與分類模板間的數據計算來進?分類。在訓練的過程中，其實可以看作是權重矩陣的學習過程，也可以看成是分類模板的學習過程，如何從訓練樣本中學習分類的模板。模板權重的??，反映了樣本中每個像素點對分類的貢獻率。

學習到的權重

2.3.2 損失函數

損失函數是?來告訴我們當前分類器性能好壞的評價函數，是?于指導分類器權重調整的指導性函數，通過該函數可以知道該如何改進權重系數。CV與深度學習課程之前，?家應該都接觸過?些損失函數了，例如解決?分類問題的邏輯回歸中?到的對數似然損失、SVM中的合?損失等等。
對數似然損失

合?損失

現在回到前?的線性分類例?，該函數預測在“貓”、“狗”和“船”類中的分數，我們發現，在這個例?中，我們輸?描繪貓的像素，但是貓的分數與其他類別（狗的分數437.9和船的分數61.95）相??常低（-96.8）。那么這個結果并不好，我們將會去衡量這樣的?個成本，如果分類做好了，這個損失將會減少。
多分類問題的損失該如何去衡量？下?會進?通常會使?的兩種?式作對?，這?介紹在圖像識別中最常?的兩個損失——多類別SVM損失（合?損失hinge loss）和交叉熵損失，分別對應多類別SVM分類器和Softmax分類器

2.3.2.1 多分類SVM損失

我們正針對于前?簡化例?，來復習理解下SVM損失，下圖使我們得到的線性模型預測分數結果

2.2.2.2 Softmax 分類（Multinomial Logistic Regression）與cross-entropy（交叉熵損失）

1、Softmax

?2、cross-entropy

?2.3.3 SVM與Softmax對比

下面這張圖就清楚的展示了兩個分類以及其損失計算方式的區別

總結

以上是生活随笔為你收集整理的图像分类_03分类器及损失：线性分类+ SVM损失+Softmax 分类+交叉熵损失的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。