。。。痛苦= =

线性分类器损失函数与最优化

\(Multiclass SVM loss: L_{i} = \sum_{j \neq y_{i}} max(0,s_{i}-s_{y_{i}}+1)\)

\(Loss = \frac{1}{N} \sum_{i=1}^{N} L_{i}\)

Q1: what if the sum was instead over all classes(j = yi)?

A1:在计算中，我们可以知道这个没有意义，在公式中相当于加上了1，因为yi-yi=0

Q2:我们用平均值来替代求和会怎么样？

A2:没有任何意义，只是相当于使得最后损失的计算成倍地缩小。

Q3:如果公式变成了 $ L_{i} = \sum_{j \neq y_{i}} max(0,s_{i}-s_{y_{i}}+1)^{2} $ 会怎么样？

A3:这个公式实际上是square hinge loss。第一个公式我们通常叫做 hinge loss。

Q4:最大的损失值和最小值是多少？

A4:显然最小就是0，最大是无穷

Q5:当W很小的时候，s都等于0的时候，我们的loss会是多少？

A5:loss将会是种类数-1

code:

def L_i_vectorized(x,y,W):    scores = W.dot(x)    margins = np.maximum(0,scores - scores[y] + 1)    margins[y] = 0 # margins[y] = 1    loss_i = np.sum(margins)    return loss_i

\(f(x,W) = Wx\)

\(L = \frac{1}{N} \sum_{i=1}^{N} \sum_{j!=y_{i}} max(0,f(x_{i};W)_{j} - f(x_{i};W)_{y-{i}} +1)\)

这个loss function实际上是有bug，这个可能得到我们不想得到的结果。

比如我们想找到损失函数为0的W，是否W是独一无二？

显然不是，只要score[y]>1即可……

Weight Regularization

\(L = \frac{1}{N} \sum_{i=1}^{N} \sum_{j!=y_{i}} max(0,f(x_{i};W)_{j} - f(x_{i};W)_{y-{i}} +1) + \lambda R(W)\)

L2 regularzation \(R(W) = \sum_{k}\sum{l}W_{k,l}^2\)

L1 regularzation \(R(W) = \sum\sum \left | W_{k,l} \right |\)

Elastic net(L1+L2),Max norm regularization,Dropout

加入正则化，使得泛化能力增强。

L2正则化实际上是想让你尽可能展开你的W，使得充分的考虑更多的元素。

L1会使得W变得稀疏。

Softmax Classifier(Multinomial Logistic Regression)

scores = unnormalized log probabilities of the classes

\(L_{i} = -logP(Y = y_{i} | X = x_{i})\)

最大化正确的概率（最小化负的对数概率）

Q1:最大最小的loss是多少？

A1:最小为0，最大为无穷，显然。

Q2:当w非常小，都接近0的时候，loss会是什么值？

A2:-log(1/n) 显然