以minist爲例:
中心點有2種計算方式:
方式1:
人算:
批次取400,平均每批次每個數字有400/10=40個點,如果取40個點的中心爲每批次訓練的中心,數據太少,誤差大, 所以先定義一個隊列,隊列長度爲400*20,前20個週期不訓練中心損失,只訓練分類損失,把每批次網絡計算的點(形狀爲【400,2】)裝進隊列,從第20個週期開始,計算隊列裏對應數字的中心,然後以此中心計算中心損失,因爲隊列先進先出的特性,隨着訓練進行,新數據進入隊列,早期數據將被拋棄。
這種方式比較麻煩,實現複雜,且訓練慢。
方式2:
網絡自己算:
自定義centerloss損失函數類,類的可訓練參數採用正態分佈初始化,此方式如果不自定義backword函數,則訓練此網絡有2個優化器,一個優化網絡參數,另一個優化損失函數類實例參數,定義backword函數需要自己計算梯度,比較麻煩。
啓示:
損失函數也可帶有可訓練參數,prelu就是其中之一。
centerloss之中心點計算
發表評論
所有評論
還沒有人評論,想成為第一個評論的人麼? 請在上方評論欄輸入並且點擊發布.
相關文章
深度學習基礎——張量的通俗理解
SupreEvi
2020-07-08 11:53:15
視頻目標分割之Video Object Segmentation using Space-Time Memory Networks
有为少年
2020-07-08 11:18:09
基於attention機制實現 CRNN OCR文字識別
koibiki
2020-07-08 12:23:28
opencv 加載tensorflow pb模型
koibiki
2020-07-08 12:23:28
聊天機器人/對話生成
路越
2020-07-08 12:17:40
推薦系統系列(二):從零開始搭建基於向量的推薦策略
路越
2020-07-08 12:17:27
論文解讀:Single path one-shot neural architecture search with uniform sampling
Lawrence-C
2020-07-08 12:06:15
深度學習論文中的一些術語(僅備份用,不定時更新)
forg_ood
2020-07-08 12:04:52
深度學習_目標檢測_FPN論文詳解
CV-GANRocky
2020-07-08 11:57:07
深度學習_目標檢測_“YOLOv5”詳解(持續更新)
CV-GANRocky
2020-07-08 11:57:07
[深度之眼]LeNet/AlexNet/VGGNet/InceptionNet/ResNet實現fashion_mnist分類
TF_Keras
2020-07-08 11:53:37
TensorFlow+CNN+OpenCV快速識別中文驗證碼
郑德帅
2020-07-08 11:43:39
apt-get update 卡在working 0 已解決
一蓑烟雨任平生yu
2020-07-08 11:20:23