Python 特征和分类器之间的区别是什么？

我看到这样的代码

self.feature=model_func（）
如果损失类型==“softmax”：
self.classifier=nn.Linear（self.feature.final\u feat\u dim，num\u class）
self.classifier.bias.data.fill（0）
elif损失类型==‘距离’：#基线++
self.classifier=backbone.distLinear（self.feature.final\u feat\u dim，num\u class）

其中，

model_func

是ConvNet 4/6或ResNet 10/18/34/101

这是什么

我知道，在神经网络中，我们有学习的参数，用来存储训练期间更新的内容的缓冲区，以及每一层之后的结果的激活

---

特征是否与激活相同？什么是分类器？在神经网络中，特征的结束和分类器的开始在哪里？分类器的结果也是激活的吗？

我觉得这个问题有点混乱，但我会尽我所能理解你的问题

这是什么

分类器将是模型本身。该模型在经过培训后能够对新数据进行分类

功能与激活相同吗

我不知道你想要什么样的功能。在数据科学的背景下，特征被理解为数据的变量之一。例如，如果您有一个关于房屋的数据集，您可能会有诸如纬度、长度、如果有游泳池、有多少间卧室等特征

激活函数是确定神经网络输出的数学方程。该函数连接到网络中的每个神经元，并根据每个神经元的输入是否与模型的预测相关，确定是否应激活（“激发”）该函数。[1]

我不确定我是否真正理解你的要求

分类器的结果也是激活的吗

分类器的结果是标签，即每个数据点所属的类。神经网络在分类过程中使用了激活函数

---

希望这有帮助

---

[1]

您要求的是对基础理论的解释，而不是编程问题，因此问题并非真正针对StackOverflow。试试Quora，或者重读一些关于神经网络的基础知识，因为这些是你要问的一些相当基本的概念。