Python 特征和分类器之间的区别是什么?
我看到这样的代码Python 特征和分类器之间的区别是什么?,python,pytorch,Python,Pytorch,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,nu
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。