通过SVM和Softmax求损失值

刚刚接触深度学习，简单的笔记，截图均来自51CTO，供自己简单梳理思路。

超参数和交叉验证

将训练集标号为1、2、3、4、5，每次都在这五个中选取一个作为验证集，能够有效防止某一数据集和训练集恰好。。

训练集	验证集
1、2、3、4	5
1、5、3、4	2
1、2、5、4	3
1、2、3、5	4
5、2、3、4	1

得分函数

x=[32323]=3072 输入的这个小猫有3072个像素点，可以把x转换成30721的矩阵，如果想得到一个101的得分矩阵，则需要w为10*3072的矩阵。

现在得到了三个类别的

SVM

图片属于哪个类别的得分值已经算出
cat损失值=max(0,2.1-3.2+1)+max(0,-1.7-3.2+1)=2.9
max(0,错误类得分-正确类的得分+1）
所以损失函数为

正则化惩罚项

其中假设两个模型分别为权重值w1=[1,0,0,0] w2=[0.25,0.25,0.25,0.25] x=[1,1,1,1]
w1x^T=1 w2x^T=1，虽然两个权重值和x的转置相乘都为1，但是w1其实只用到了x第一个像素点，w2比较均匀,将原始数据集都用到了。所以可得出来第一个模型只关注于部分，容易造成过拟合；第二个模型关注整体，更好一些
W1的惩罚项：W1²=1
W2的惩罚项：W2²=(1/4)²(1/4)²(1/4)²(1/4)²=1/4
显然对于第二个模型惩罚的比较小，我们对第二个比较认可。
ps:不同的权重值有可能得到相同的得分函数，然后得到相同的损失函数，但加上正则化惩罚项之后就损失函数就不一样了。
损失函数最终版（加上正则化惩罚项）

softmax分类器

sigmoid函数可以将得分函数映射到sigmoid函数上，得到概率，再通过概率进行分类 。

• 第一列得分值：蓝色框中是根据得分函数算出属于每个类的得分值
• 第二列e的次幂：红色框中求得e^3.2、 e^5.1 、e^-1.7，这样会把得分值进行一个明显的区分，会把稍大一点的映射为更大的数，会把小的得分值映射的相对较小
• 第三列归一化：例如：有一个样本 1,，2，3 把他们映射成概率，分别为1/6，2/6，3/6。
  因此将第二步进行归一化得出属于每个类别的概率值：
  24.5/24.5+164.0+0.18=0.129849…，
  164/24.5+164.0+0.18=0.86919…，
  0.18/24.5+164.0+0.18=0.00009…
• 计算正确类别的损失函数
  损失函数规律和log函数很符合（这里的y值指的是距离想轴的距离）：x值越接近于1，y值越小等同于正确的概率值越接近于1，损失值就越小；x值越接近于0，y值越大等同于正确的概率值越接近于0，损失值就越大。
  ps:log(0.13)映射出来是负值，所以在公式加上负号。通过损失函数计算的损失值(损失值只计算正确类别的)：
  -log(0.13)=0.89

SVM和softmax对比

10，9，9 其中10为正确类别的得分值

SVM：（0，9-10+1）+（0，9-10+1）=0
softmax：e¹⁰ e⁹ e⁹ 然后归一化，再通过-log计算