Logistic Classification
Github工程地址：https://github.com/ahangchen/GDLnotes
欢迎star，有问题可以到Issue区讨论
官方教程地址
视频/字幕下载
About
simple but important classifier
- Train your first simple model entirely end to end
- 下载、预处理一些图片以分类
- Run an actual logistic classifier on images data
- Connect bit of math and code
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. the pixels in an image)
-
Apply a linear function to X
- Giant matrix multiply
- Take inputs as a big vector
- Multiply input vector with a matrix, W means weights
- b means biased term
- Machine learning adjust weights and bias for the best prediction
-
Output: Y, predictions for per output class
- Y is a vector, represents the probability of each label
- 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not work well，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
下一节实践
觉得有帮助的话，不在github给个star吗？
