Softmax和SVM、卷积神经网络的区别

目前解决图像分类问题，比较流行的方法是$\color{red}{卷积神经网络}$卷积神经网络上。这种方法主要有两部分组成：一个是$\color{red}{评分函数（score function）}$评分函数（scorefunction），它是原始图像数据到类别分值的映射。另一个是$\color{red}{损失函数（loss function）}$损失函数（lossfunction），它是用来量化预测分类标签的得分与真实标签之间一致性的。该方法可转化为一个最优化问题，在最优化过程中，将通过更新评分函数的参数来最小化（梯度下降）损失函数值

sigmod：

ReLU**函数：

1.线性分类器

定义:每个分类类别的分值是权重和图像的矩阵乘，得到分数数值。

损失函数：多类支持向量机损失 Multiclass Support Vector Machine Loss

SVM的损失函数定义:

用预测错误的得分减去预测正确的得分加上一个容错

N为图片样本的个数，损失函数的大小不和样本图片的数量有关系。

正则化

解决相同的评分结果的权重参数w可能是无穷多个的，加入正则化惩罚(将W中所有元素平方后求和)

损失函数的最终版：

2.Softmax分类器

该元素的softmax值，就是该元素的指数与所有元素指数和的比值。

定义：最后的输出是每个分类被取到的概率，归一化保证和为1。

损失函数：整个数据集的loss的计算公式与Multiclass SVM相同：

对单个样本$x_i$xi​的loss的形式都是

3.卷积神经网络（CNN）

定义：是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于大型图像处理有出色表现。 它包括卷积层(convolutional layer)和池化层(pooling layer)。组成：输入层、卷积层、**函数、池化层、全连接层。

卷积：在原始的输入上进行特征的提取。在原始输入上用多个filter这个固定尺寸的助手一个小区域一个小区域进行特征的提取，最终得到多个特征图。（得到的特征图是来自一个RGB三个通道的特征图之和）

所谓的权值共享就是说，给一张输入图片，用一个filter去扫这张图，filter里面的数就叫权重，这张图每个位置是被同样的filter扫的，所以权重是一样的，也就是共享。

池化：对特征图进行特征压缩，池化也叫做下采样。选择原来某个区域的max或mean代替那个区域，整体就浓缩了。