About
simple but important classifier
- 训练你的第一个端到端模型
- 下载并预处理图片
- 在图像数据上运行Logistic classifier进行分类
- 相关的数学背景知识和代码
Detail
Linear Classifier
之所以这样建模，是因为线性公式是最简单的数学模型，仅此而已。
Input: X (e.g. 图像中像素的灰度值)
将一个线性函数作用在X上 - 大矩阵相乘 - 输入一个代表图片的向量 - 将输入向量和一个矩阵W相乘，W表示权重 - b代表偏移（biased）项 - 机器学习便是调整权重和偏移值以达到最好的预测效果
输出: Y, 对输入应当属于哪个类进行预测 - Y是一个代表每个label可能性的向量
好的预测中，正确的label的概率应当更接近1
往往得到的Y一开始不是概率，而是一些具体值（scores/logits），所以需要转换，by：
Softmax回归模型：Wikipedia
Softmax
代码 soft_max.py：Softmax实现与应用
input的score差异越大（可以全部乘10试试），则输出的各项label概率差异越大，反之差异越小
Softmax只关心几个label之间的概率，不关心具体值
机器学习是一个让预测成功率升高的事情，因此是一个让score之间差异增大的过程
One hot encoding
正确预测结果应当是只有一个label成立，其他label不成立。这种情况下，预测概率最大的则是最可能的结果。
Example: take this test
- one hot encoding在label很多的情况下效果不好，因为output vector到处都是0，很稀疏，因此效率低 - solved by embeddings
好处：可以measure我们与理想情况之间的距离（compare two vectors）
分类器输出：[0.7 0.2 0.1] <=> 与label对应的真实情况：[1 0 0]
Compare two vectors: cross-entropy
D(S, L) != D(L, S)
Remember: Label don't log, for label zero
小结
找到合适的W和b，使得S和L的距离D的平均值，在整个数据集n中最小。
最小化cross-entropy
D的平均值即是Training loss，求和和矩阵相乘是个大数据的活。
两个参数的误差导致一个呈圆形的loss，所以我们要做的就是找到尽量靠近圆心的weight
机器学习问题变成了一个数值优化
解决方法之一：Gradient descent，求导
修改参数，检查误差是否变大，往变小的方向修改，直到抵达bottom。
图中weight是二维的，但事实上可能有极多的weight
Numerical Stability
量级相差太多的数运算会导致许多错误
Example:num_stable.py
你可能以为输出是1， 但结果是一个接近0.95的数。
但将1billion换成1，结果就很接近1。
因此需要让前面提到的Train loss函数中的数据不要too big or too small
Normalized Inputs and Initial Wights
归一化输入和初始参数
理想目标
均值为0
方差处处相等
Math Reason
Easier for the optimizer to find a good solution
Example: Images Normalization
R = (R - 128) / 128
G = (G - 128) / 128
B = (B - 128) / 128
Weight Initialization 找到好的weight和bias for the gradient descent to proceed
A simple, general method
- 用均值为0，标准偏差的高斯分布产生随机的数据填充W矩阵
高斯分布模型也决定了初始输出(softmax输出)的概率分布
高斯分布的sigma越小，说明预测越不确定，sigma的取值很主观
我们的工作即是，选一个较小的sigma，让sigma变小到合适的值，使得预测更确定。
优化
调整W和b，使得Train loss最小
来源：ahangchen / https://github.com/ahangchen/GDLnotes ，只作分享，不作任何商业用途，版权归原作者所有
閱讀更多 科科大數據 的文章
