注：這篇文章是基于cs231n 的lecture 3.

數(shù)據(jù)

我們的數(shù)據(jù)如Fig 0所示

Fig 0.

上邊的圖片是模型的輸入，下邊的數(shù)字是模型的輸出。比如第一列數(shù)字代表我們的模型預(yù)測(cè)這張圖是cat的得分是3.2，是car的得分為5.1，是frog的得分為-1.7，如此等等。那我們應(yīng)該怎么判斷我們的模型的好壞呢？當(dāng)然是希望正確分類的得分越高越好，錯(cuò)誤分類的得分越小越好。比如在這里的第一張圖，我們希望3.2這個(gè)值越大越好，其它兩個(gè)值越小越小。

模型

SVM loss函數(shù)就是用來表征模型好壞的一個(gè)函數(shù)，它的定義如Fig 1所示。sj是錯(cuò)誤分類的得分，sy是正確分類的得分。我們利用這個(gè)公式來計(jì)算Fig 0中的數(shù)據(jù)，計(jì)算結(jié)果如Fig 2所示。

Fig 1.

Fig 2.

由此可以看到我們的模型對(duì)于sample 1和2都有比較好的表現(xiàn)，但是在sample3上卻表現(xiàn)地很糟糕。