cs231n線性分類器學(xué)習(xí)筆記，非完全翻譯，根據(jù)自己的學(xué)習(xí)情況總結(jié)出的內(nèi)容：

線性分類

　　本節(jié)介紹線性分類器，該方法可以自然延伸到神經(jīng)網(wǎng)絡(luò)和卷積神經(jīng)網(wǎng)絡(luò)中，這類方法主要有兩部分組成，一個是評分函數(shù)(score function)：是原始數(shù)據(jù)和類別分值的映射，另一個是損失函數(shù)：它是用來衡量預(yù)測標(biāo)簽和真是標(biāo)簽的一致性程度。我們將這類問題轉(zhuǎn)化為優(yōu)化問題，通過修改參數(shù)來最小化損失函數(shù)。

　　首先定義一個評分函數(shù)，這個函數(shù)將輸入樣本映射為各個分類類別的得分，得分的高低代表該樣本屬于該類別可能性的高低。現(xiàn)在假設(shè)有一個訓(xùn)練集，每個樣本都有一個對應(yīng)的分類標(biāo)簽y_i，這里i=1,2....N，并且y_i?∈?1…K，這里，N代表樣本個數(shù)，樣本的維度為D，共有K個類別。定義評分函數(shù)：，該函數(shù)是原始樣本到分類分值的一個映射。

　　線性分類器：先介紹最簡單的線性映射：，在公式中，每一個輸入樣本都被拉成一個長度為D的列向量，其中W和b都是參數(shù)，參數(shù)W被稱為權(quán)重(weights)大小為K x D 和，參數(shù)b為偏置向量(bias vector)大小K x 1，它影響輸出結(jié)果，但是并不和原始樣本產(chǎn)生關(guān)聯(lián)。卷積神經(jīng)網(wǎng)絡(luò)樣本到分類分值的方法和上面一樣，但是映射函數(shù)f（x）將更加的復(fù)雜，參數(shù)也更多。

解釋線性分類器

　　線性分類器各維度的值與權(quán)重相乘，從而得到分類分值。如下圖：首先將這張貓咪的圖片拉伸成一個列向量，與矩陣W相乘，然后得到各個分類的值，可以看出得

到的評分中，貓的評分很低，則這個矩陣W并不好。我們還可以將樣本看做高維空間中的一個樣本點，整個數(shù)據(jù)集就是一個空間點的集合，每個點都有一個標(biāo)簽，則每個分類類別的分值就是這個空間中一條線性函數(shù)的函數(shù)值。

偏置和權(quán)重的合并技巧：分類的評分函數(shù)為，分開處理參數(shù)W、b有點麻煩，一般常用方法是將W和b合并到同一個矩陣中，同時x_i這個向量要增加一個維度，數(shù)值為1。具體見下圖：

左邊是先做矩陣乘法然后做加法，右邊是權(quán)重矩陣增加一個偏置列，輸入向量維度增加1，然后做矩陣乘法。這樣的好處是只用學(xué)習(xí)到一個權(quán)重矩陣。

損失函數(shù) loss function

?　　評分函數(shù)的參數(shù)是矩陣W，數(shù)據(jù)（x_i，y_i）是給定的不能修改，我們可以通過修改參數(shù)矩陣W來調(diào)整，來使評分函數(shù)與真實的類別一致，即：真實類別的評分應(yīng)該是最高的。我們使用損失函數(shù)（loss function）來衡量對結(jié)果的不滿意程度。當(dāng)評分函數(shù)與真實結(jié)果相差越大時，損失函數(shù)的值也就越大。

?多類別支持向量機損失(Muliticlass SVM Loss)

　　損失函數(shù)的類別有很多種，首先介紹多類別SVM損失函數(shù)，SVM的損失函數(shù)要SVM在正確類別上的得分要比不正確類別上的得分高出一個Δ，針對第i個樣本的損失函數(shù)為：

稱為合頁損失函數(shù)（hinge loss），其中:為第j個類別的得分，y_i是正確類別的標(biāo)簽。舉例：假設(shè)有3個類別，s=[13,-7,11]。其中第一個類別是正確類別，假設(shè)Δ的值為10，損失函數(shù)（為兩部分的和：

第一部分的值為0，第二部分的值為8。SVM的損失函數(shù)想要正確分類類別yi的分數(shù)要比不正確分類的分數(shù)高，而且至少要高一個Δ（可以這樣寫s_j+Δ <=s_yi），如果不滿足這一點，就需要計算損失值。更加形象化的如圖所示

“SVM的損失函數(shù)想要正確分類類別yi的分數(shù)要比不正確分類的分數(shù)高，而且至少要高一個Δ”，如果其他類別分數(shù)進入紅色區(qū)域，甚至更高，那么就需要計算損失，否則損失為0。我們的目標(biāo)是找到一些權(quán)重，它們既能夠這樣的要求，又能讓損失值盡可能的小。

?正則化（Regularization）：上面損失函數(shù)有一個問題，假設(shè)一組數(shù)據(jù)和權(quán)重W能夠?qū)γ總€樣本正確分類，即：對所有i都有Li=0;問題在于這個W并不唯一，例如W能使損失值都為0，當(dāng)λ>1時，任何λW都能使損失值為0。所以我們希望向特定的權(quán)重W添加某些偏好，來消除不確定性，可以通過添加正則化懲罰（regularization penalty）來完成，常用的正則化項是L2范式，它通過對所有參數(shù)進行逐元素平方懲罰來抑制較大的權(quán)重：

上面式子僅包含權(quán)重W，不包含樣本，將W所有元素平方求和。給出完整的多分類SVM的損失函數(shù)，包含兩部分：數(shù)據(jù)損失，即所有樣本的平均損失和正則化損失：

展開

其中N代表訓(xùn)練樣本的個數(shù)，λ表示正則化項的權(quán)重，它的確定需要動過cross-validation。

　　L2的一個最大的性質(zhì)是對大數(shù)值權(quán)重的懲罰，提升泛化能力，這就消除了某一個維度對整體分值影響過大的影響。eg：輸入向量x=[1,1,1,1],有兩個權(quán)重向量w1=[1,0,0,0],w2=[0.25,0.25,0.25,0.25],那么w1^Tx =?w2^Tx = 1，兩個權(quán)重向量得到相同的分值1，根據(jù)L2懲罰來看W2更好，因為它的正則化損失值更小。W2懲罰傾向于更小更分散的的權(quán)重向量，這樣就能鼓勵分類器將所有維度上的特征都使用起來。通常只對權(quán)重w 進行正則化，而不正則化偏置b。

代碼：無正則化部分的損失函數(shù)，非向量化和半向量化損失的代碼實現(xiàn)

def hinge_unvectorized(x,y,W):"""實現(xiàn)hinge loss function，非向量化-x 樣本，是一個列向量-y 樣本的類別的標(biāo)簽-W 權(quán)重矩陣返回第i條樣本的損失值"""delta = 1.0scores = W.dot(x)#每一個類別的得分，N x 1correct_class_score = scores[y]#正確類別的得分N = W.shape[0] #類別的個數(shù)loss_i = 0.0 #第i個樣本的loss值for j in range(N):if j == y:continue#跳過正確的類別，循環(huán)其他incorrect classesloss_i += max(0,scores[j] - correct_class_score + delta)return loss_i

?

半向量化實現(xiàn)方式

def hinge_halfVectorized(x,y,W):"""半向量化的實現(xiàn)方式"""delta = 1.0scores = W.dot(x)#使用向量方法計算出各個類別的marginsmargins = np.maximum(0,scores - scores[y] + delta)#maximummargins[y] = 0 #減去yi的scoreloss_i = np.sum(margins)#求和return loss_i

?

超參數(shù)delat和λ對損失函數(shù)中的數(shù)據(jù)損失和正則化損失之間權(quán)衡，權(quán)重W的大小對于分類分值有著直接的影響，對w進行縮小，那么分類之間的差值也會變小，反之亦然。權(quán)重的大小就能控制差異的變大或縮小，因此delta 為1或100是沒有意義的。因此真正的權(quán)衡是我們允許權(quán)重變大到何種程度（λ來進行控制）。

?softmax分類器

　　softmax可以理解為邏輯回歸泛化到多分類問題中，SVM分類器輸出f（x_i,w）作為每個分類的評分（未標(biāo)準(zhǔn)化的，可能難以理解）。與SVM不同的是softmax輸出的是歸一化后的概率，更加的直觀，可以從概率上給出解釋。在softmax分類器中映射函數(shù)保持不變，但將這些評分值看做每一類別未歸一化的對數(shù)概率，損失函數(shù)為，fj代表評分向量f中第j個元素的值。為softmax函數(shù)，它的作用是對評分值進行壓縮到[0,1]范圍。

注意事項：數(shù)值穩(wěn)定。編程實現(xiàn)softmax的時候，計算時候數(shù)值可能非常的大，歸一化的時候除以大數(shù)值會存在數(shù)值不穩(wěn)定。做法是分子分母同時乘以常熟C，并變換到求和之中，得到下面公式

C的值可以自由選擇，通常設(shè)置logC=-max(f_i)。這樣將向量f中的數(shù)值進行平移，能提高計算的數(shù)值穩(wěn)定性，例子如下：

f = np.array([123,456,789])#3個類別對應(yīng)的分值，都比較大 p = np.exp(f) / np.sum(np.exp(f))#溢出：結(jié)果array([ 0., 0., nan]) #將f中的值平移，令最大值為0 f -= np.max(f) #向量f減去max(f) f:array([-666, -333, 0]) p = np.exp(f) / np.sum(np.exp(f))#OK，結(jié)果正確

?

?關(guān)于命名規(guī)則：SVM分類器使用的是合頁損失函數(shù)(hinge loss),有時又被稱為最大邊界損失(max-margin loss)。softmax分類器使用的是交叉熵損失（cross-entropy loss），softmax分類器的命名是從softmax函數(shù)那里得來，softmax函數(shù)將原始分類評分歸一化到[0,1]，這樣處理后才能應(yīng)用到交叉熵。從技術(shù)熵說“softmax損失”是沒有意義的。

SVM和softmax的對比

下圖有助于理解SVM和softmax處理步驟的不同

這個圖舉例說明了SVM和softmax在處理一個樣本點的方式不同。兩個分類器都是通過矩陣相乘的方式計算得到相同的分值向量f，不同之處在于對分值的解釋：SVM將它看做是分類的評分，它的損失函數(shù)鼓勵正確分類的分值比其他分類至少高出一個邊界值(delta)。softmax分類器將這些分值看做是每個分類沒有歸一化的對數(shù)概率值，希望正確分類的歸一化對數(shù)概率值最高，其他的低。

　　softmax分類器計算出的結(jié)果為eg:[0.9,0.09,0.01],這樣就能得出所有分類標(biāo)簽的“可能性”，代表不同類別的自信程度。為什么要在“可能性”上面打上引號，這是因為可能性的集中(eg:[1,0,0])或離散程度([0.33,0.33,0.33])是由正則化參數(shù)λ決定，λ是我們能夠直接控制的輸入?yún)?shù)。舉個栗子：

假設(shè)三個分類的原始分數(shù)是[1,-2,0],softmax計算結(jié)果如下：

如果正則化參數(shù)λ變大，那么權(quán)重W就會被懲罰的更多，各個維度的權(quán)重數(shù)值會變小，softmax計算結(jié)果如下：

從例子可以看出，概率的分布變得更加分散了，如果隨著λ的變大，權(quán)重W值會越來越小，最后輸出的概率分布就接近均勻分布。這也就是說，softmax分類器得到的概率值的相對大小是對某種類別的自信程度。

舉例對比SVM和softmax：與softmax相比，SVM更加的“l(fā)ocal?objective”，假設(shè)評分值為[10,-2,3]類別1為正確類別，SVM得到的損失函數(shù)為0，如果分數(shù)是[10, 9, 9] 甚至是 [10, -100, -100]，對于SVM來說只要滿足邊界值（margin or delta）大于等于1，損失值都為0.對于softmax，[10,9,9]計算出的損失值遠遠大于[10, -100, -100]，它希望正確分類值盡可能的大，錯誤分類值盡可能小，損失值盡可能的小。SVM只要求邊界值被滿足就可以了，不會去限制具體的分數(shù)。打比方來說：汽車分類器應(yīng)該把精力花在如何分辨小轎車和大卡車上，而不應(yīng)被青蛙樣本所影響。因為青蛙的評分已經(jīng)夠低的了。

?

轉(zhuǎn)載于:https://www.cnblogs.com/wxshi/p/6056438.html

總結(jié)

以上是生活随笔為你收集整理的cs231n笔记：线性分类器的全部內(nèi)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(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。