Artificial intelligence 什么'；“的不同之处是什么？”；分类；在softmax、logistic和svm之间？

我正在使用caffe对SSD模型进行对象检测，最近我调整了“MultiBoxLoss”的损耗类型。 在multibox_loss_layer.cpp文件中，它的loss有默认的SOFTMAX和LOGISTIC选项，我在caffe代码中添加了hingeloss（SVM）选项，并进行了训练，但结果不好

现在老板想让我用支持向量机（SVM）通过python sklearn对特征图进行分类

我遇到了一个问题，在multibox_loss_layer.cpp文件中，可以使用softmax、logistic和hingeloss来计算损失。在这一步中，它的数据只是“一维”，但特征图是高维的，我在文章中提到，softmax似乎无法对高维数据进行分类

例如：如果有三个类：猫、狗和兔子，那么一维数据只有三个值来表示猫、狗和兔子（每个类一个值），但是高维数据，每个类有很多值（如特征图），在高维情况下，softmax似乎没有这方面的工作

---

所以我想知道softmax、logistic和SVM之间有什么不同。有人能帮忙吗？谢谢大家!

从未见过将SVM损失函数应用于神经网络。然而，softmax是一个损失函数，应该使用它来优化解决多类分类问题。Softmax将NN输出“转换”为每类发生的概率。逻辑函数通常将每个神经元的输出优化为一个逻辑问题，所以它不是强制输出为一类。如果要解决多标签问题，应使用此函数

SVM不是一个函数，而是一个不同的分类器。将softmax与SVM进行比较没有意义，因为第一个是损失函数，第二个是分类器