标签:shot 函数 Siamese 标签 预设 Few 神经网络 梯度 卷积
神经网络结构:
1、两张图片(x1、x2)输入卷积神经网络 输出提取的特征向量(h1、h2)
2、对两个特征向量作差 再取向量每个元素的绝对值(z)
3、全连接层处理z向量 输出一个标量(预测相似度)
4、Sigmoid激活函数 输出介于0-1之间的实数
把预设的标签(target = 1)与预测之间的差作为损失函数
损失函数可以是标签与预测的交叉熵(cross-entropy) 衡量标签与预测的差别
注意正样本预设标签为1,负样本预设标签为0
损失函数可以用反向传播来计算梯度,再用梯度下降更新模型参数
1、反向传播获取全连接层的梯度,更新全连接层的参数
2、梯度从z传播到卷积神经网络f,用计算出的梯度更新卷积层的参数
标签:shot,函数,Siamese,标签,预设,Few,神经网络,梯度,卷积 来源: https://www.cnblogs.com/peizx/p/16207597.html
本站声明: 1. iCode9 技术分享网(下文简称本站)提供的所有内容,仅供技术学习、探讨和分享; 2. 关于本站的所有留言、评论、转载及引用,纯属内容发起人的个人观点,与本站观点和立场无关; 3. 关于本站的所有言论和文字,纯属内容发起人的个人观点,与本站观点和立场无关; 4. 本站文章均是网友提供,不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属;如您发现该文章侵犯了您的权益,可联系我们第一时间进行删除; 5. 本站为非盈利性的个人网站,所有内容不会用来进行牟利,也不会利用任何形式的广告来间接获益,纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。