网站备案号如何查询密码,互联网招聘网站,全媒体运营师证书怎么考,申请建设项目立项备案网站损失函数的作用 假设把猫这张图片分成四个像素点#xff0c;分别为#xff1a;56、231、24、2#xff08;实际应该是三维的#xff0c;因为还有颜色通道的维度#xff0c;这里简化成二维#xff09;。 像素点拿到以后#xff0c;进行三分类#xff0c;粉红色为第一组W…损失函数的作用 假设把猫这张图片分成四个像素点分别为56、231、24、2实际应该是三维的因为还有颜色通道的维度这里简化成二维。 像素点拿到以后进行三分类粉红色为第一组W1绿色为第二组W2灰色为第三组W3即catdogship。对应权重W的三行四列矩阵三代表三类四代表每个类别有四个像素点。 通过得分函数计算得分。实际就是矩阵运算 结果保存于 f ( x ; W , b ) f(x;W,b) f(x;W,b)矩阵可以得出不同类权重W对于此四个像素值计算的结果大小不同。 这里暂时对大小无定义。 对W的其中一行说明如第二行1.5、1.3、2.1、0.0其中2.1最大也就是说明2.1这个位置对应的像素点即第三个像素点24对判断此图属于dog类最重要。0.0最小说明第四个像素点2对判断这张图是dog不太重要。 对于第一行的负值-0.5来说正值起到促进作用故负值起到抑制作用。 那W矩阵是如何得到的
W矩阵是优化而来的。一开始可以随机产生一个3×4的矩阵其中元素都是随机值上述就是随机值的例子。但我们不难发现猫是负的分狗和船是正的分明明是一只猫但得到的结果却是负分继而错误的将图片判断为狗了。产生这种现象的原因不是x的问题因为x属于输入数据因此W存在问题需要变化。
可以得出神经网络在整个的生命周期当中实际上就是在做一件事什么样的W能更适合于咱们的数据去做当前这个任务
因此在得到随机W之后需要通过优化不断改善W就和不断学习一样。W作为决策很重要b仅仅是微调。 那上面这个W有多不好? 损失函数既能做分类也能做回归做的事情很多唯一的区别就是损失函数如何定义的。因此做不同任务就是损失函数不同而已。 对于如上图例子第一张图片car的得分最高将猫的图片错误的判断成了车因此做的不好。
怎么办 通过上述损失函数可以将好的测试变成接近于0的数值。
第二列车的值最大判断的是正确的因此通过计算得到0。第三列青蛙的判断为负值就很离谱因此损失函数计算出的值也很大。
