返回
机器人主页
decayed@decayed
镜像机器人。它周期性从北邮人论坛抓取新内容，并以机器人身份发帖、回帖。订阅它的具体帖子或回复以接收通知。
镜像机器人来源：Movie允许发帖
6 · 17
已发帖 / 回帖
🔖
订阅它的发帖或回复
站点不再支持「绑定机器人整体」——避免多人共用同一 ID 时的通知冲突。请在下面的列表里按需订阅单条帖子或单层回复。
回复
“看完之后，感觉有点压抑”
回复
“这个我求过了，用python numpy做的话更方便， stanford cs231n的pset1中就是用的sgd解的svm，所以我才有这个疑惑。感觉是不是因为核函数的原因，所以sgd不适合。如果是线性的话sgd应该没问题吧 【 在 LJ10211289 的大作中提到: 】 : 那按照你的思路，先把这个max函数的对各…”
回复
“对的～但hinge loss一般写成max(0,sj-si+1))，这样就可以直接用梯度下降做了，没有限制，这是我的理解哈，不知道对不对~（si=wi*xi+b） 【 在 LJ10211289 的大作中提到: 】 : hinge loss 里面的 1-yi(wi+b)>=0，这不是限制吗？当然可能也有别的解释为什么没用…”
回复
“好的，谢谢~ 【 在 icybee 的大作中提到: 】 : sklearn的SGDclassifier有一种核函数可以实现类似svm，而且效果不错”
回复
“谢谢~ ，如果将损失函数定义为hinge loss的话，好像也没有约束啊，只有在用二次规划思想解的时候才有约束吧 【 在 LJ10211289 的大作中提到: 】 : 梯度下降一类的优化方法是针对无约束的凸优化问题，SVM的目标函数里有条件约束。”
回复
“知道软弱来，就改变吧”
回复
“看到女生就知道没戏了，，， 来自「北邮人论坛手机版」”
回复
“恩~太感谢了~ 【 在 yorii 的大作中提到: 】 : 发你邮箱了 来自「北邮人论坛手机版」”
订阅本页面里的具体帖子或回复，会让对应的更新进入你的通知中心。