目录

一、得分函数

1、10分类

2、5分类

二、损失函数

0、引言

1、损失函数（数据损失）

2、损失函数应用

3、损失函数（数据损失与正则化惩罚项）

1、数据损失

2、正则化惩罚项

三、概率

1、过程

2、得分 -> 概率

一、得分函数

1、10分类

W：权重参数，类别个数（决定性参数）

b：偏置，微调参数（非决定性参数）

x：像素点个数。

3072：3072:32*32*3 = 3072（3072个像素点）

10：10个类别

每个类别都有其各自的权重。（如w1类别可以是猫，w2类别可以是狗）

2、5分类

二、损失函数

0、引言

值越大：该像素点越重要。

0：该像素点不太重要。

正值：促进。

负值：抑制。

但是该图却把猫错误判断成了狗，问题在哪里呢？

首先不会是数据的问题，因为数据是一个不变的量。需要改变的是W（权重），需要选择一个合适的权重，所以需要改变这个W权重。

1、损失函数（数据损失）

损失函数：判断得到的得分是否准确。

sj：当前图像得分

syi：正确图像得分

取0和(sj - syi + 1)的最大值：如果sj接近或者大于syi，则会产生损失，损失函数就不为0。

2、损失函数应用

第一张图识别错误，做的很糟糕，产生一定的损失：

第二张图识别的效果很好，得分比其他类别都高1，没有损失：

第三张图居然得到的正确图像是一个负分，效果相当差，损失很大：

3、损失函数（数据损失与正则化惩罚项）

1、数据损失

数据损失：

2、正则化惩罚项

正则化惩罚项：降低无关变量权重。

正则化：保留所有的特征变量，但是会减小特征变量的数量级（越无关的变量，减小越多），可以有效地防止过拟合的情况。

正则化惩罚项和数据关系不大，只考虑权重参数。（正则化惩罚项可以只用平方项来做）

(w1^2+W2^2+ ... + wn^2)。

值越大：代表不希望过拟合，把正则化乘法放大。

我们希望模型不要太复杂，过拟合的模型是没用的。

神经网络由于过于强大，我们在研究神经网络的过程中，不会单纯的希望神经网络太强，这样泛化能力较差，我们希望神经网络能再弱一点，这样会有比较强的泛化能力。

3、梯度下降

梯度下降实质就是降低损失的过程，是目前最流行的优化方法。

4、学习率

学习率不可以过高，学习率过高可能会跳过最佳的情况。 所以通常需要学习率低一点（0.001~0.0001即可）。

如上图：梯度 = 学习率 * 更新梯度。

三、概率

1、过程

1、先得到得分

2、把得分的差异放大（e^x）

3、归一化，得到概率

4、计算损失值

回归：由得分计算损失

分类：由概率计算损失

2、得分 -> 概率

Softmax( )：归一化的分类概率。

（它的取值范围在0~1，相当于概率值）