CS231n作业笔记1.3:SVM的误差函数以及反向传播(非向量及向量算法)
2016-12-19 01:07
323 查看
CS231n简介
详见 CS231n课程笔记1:Introduction。注:斜体字用于注明作者自己的思考,正确性未经过验证,欢迎指教。
作业笔记
SVM的Loss Function请参考 CS231n课程笔记3.1:线性分类器(SVM,softmax)的误差函数、正则化。1. 非向量的误差计算
这部分属于作业自带部分,使用loop计算,如果margin大于0,就叠加,最后加入正则项。2. 非向量的梯度计算
通过上部分所示,loss为诸多margin的和,所以只需要在累加margin的部分同时计算反向传播。注意反向传播的时候,反向传播的初始值为1,即dLoss=1(不是Loss,也不是-1)。num_classes = W.shape[1] num_train = X.shape[0] loss = 0.0 for i in xrange(num_train): scores = X[i].dot(W) correct_class_score = scores[y[i]] for j in xrange(num_classes): if j == y[i]: continue margin = scores[j] - correct_class_score + 1 # note delta = 1 if margin > 0: loss += margin dW[:,j] += X[i,:] dW[:,y[i]] -= X[i,:] loss /= num_train dW /= num_train loss += 0.5 * reg * np.sum(W * W) dW += reg*W
3. 向量化的误差计算
首先,利用numpy的broadcasting把一维向量,复制到每一维。即[[0],[0]]+[1,2,3] = [[1,2,3],[1,2,3]]。其次利用复制好的range(n),然后等于y,得到y_mask。然后y_mask与scores相乘得到correct_scores。
num_classes = W.shape[1] num_train = X.shape[0] scores = X.dot(W) y_mask = (np.arange(num_classes)+np.zeros([num_train,1]) == y.reshape([num_train,1])) correct_scores = np.sum(y_mask * scores,axis = 1,keepdims=True) + np.zeros([1,num_classes]) scores_dif = scores - correct_scores + 1 loss = np.sum(scores_dif * (scores_dif > 0)) loss /= num_train loss -= 1
4. 向量化的梯度计算
对于上诉过程逐步进行反向传播。注意反向传播中只对dif > 0的部分传播。dloss = 1./num_train dscores_dif = dloss * (scores_dif > 0) dscores = dscores_dif dcorrect_scores = -dscores_dif*np.sum(scores_dif > 0,axis = 1,keepdims=True) dscores += dcorrect_scores * y_mask dW += X.T.dot(dscores) loss += 0.5 * reg * np.sum(W * W) dW += reg * W
相关文章推荐
- CS231n作业笔记1.5:Softmax的误差以及梯度计算
- CS231n官方笔记:反向传播
- 反向传播(back propagation)算法学习笔记
- 反向误差传播算法学习笔记
- CS231n课程学习笔记(四)——反向传播
- CS231n作业笔记2.6:卷积层以及池化层的实现
- 深度学习与计算机视觉[CS231N] 学习笔记(4.1):反向传播(Backpropagation)
- CS231n课程笔记翻译5:反向传播笔记
- CS231n课程笔记3.1:线性分类器(SVM,softmax)的误差函数、正则化
- CS231n 课程笔记翻译:反向传播笔记
- CS231n(12):反向传播笔记
- CS231N笔记——从KNN到反向传播
- CS231n课程笔记翻译:反向传播笔记
- 机器学习笔记八 - SVM(Support Vector Machine,支持向量机)的剩余部分。即核技法、软间隔分类器、对SVM求解的序列最小化算法以及SVM的一些应用
- CS231n课程笔记翻译:反向传播笔记
- CS231n作业笔记2.3:优化算法Momentum, RMSProp, Adam
- CS231n课程笔记4.1:反向传播BP
- CS231n课程笔记翻译(九):反向传播笔记
- cs231n课程课件、作业以及课程笔记
- UFLDL 笔记 02 Backpropagation Algorithm 反向传播及初始值设置