cs231n Assignment1 笔记

入坑cs231n卷积神经网络入门，好多数学公式，赶快记起来。

标签（空格分隔）： Python cs231n

compute_distances_no_loops

主要是一个数学公式推导问题，也体现了numpy broadcast功能的强大~ 好好利用broadcast可以写出vectorized code。当我们对一个标量或者向量进行broadcast时，一定是指按元素（elementwise）操作，不像矩阵乘法那样的操作。

假设测试集矩阵 $P$ 大小为 $M \times D$ , 训练集矩阵 $C$ 大小为 $N \times D$
$记P_i是P的第i行，同理C_j是C的第j行$ ：

$P_i = [P_{i1} \quad P_{i2} \quad \cdots \quad P_{iD}]$

$C_j = [C_{j1} \quad C_{j2} \quad \cdots \quad C_{jD}]$

计算一下 $P_i$ 到 $C_j$ 的距离：

$d(P_i, C_j) =\sqrt{(P_{i1} - P_{j1})^2 + (P_{i2} - P_{j2})^2 + \cdots + (P_{iD} - P_{jD})^2} \\ =\sqrt{(P_{i1}^2 + P_{i2}^2 + \cdots + P_{iD}^2) + (C_{j1}^2 + C_{j2}^2 + \cdots + C_{jD}^2) - 2 * (P_{i1}C_{j1} + P_{i2}C_{j2} + \cdots + P_{iD}C_{jD})} \\ =\sqrt{||P_i||^2+||C_j||^2 - 2 * P_i C_j'}$

结果矩阵的每行元素：

$Res(i) = \sqrt{(||P_i||^2 \quad ||P_i||^2 \quad \cdots ||P_i||^2) + (||C_1||^2 \quad ||C_2||^2 \quad \cdots \quad ||C_N||^2) - 2 * P_i (C_1' \quad C_2' \quad \cdots \quad C_N')} \\ =\sqrt{(||P_i||^2 \quad ||P_i||^2 \quad \cdots ||P_i||^2) + (||C_1||^2 \quad ||C_2||^2 \quad \cdots \quad ||C_N||^2) - 2 * P_iC'}$

结果矩阵为：

$Res = \sqrt{ \begin{pmatrix} ||P_1||^2 && ||P_1||^2 && \cdots && ||P_1||^2 \\ ||P_2||^2 && ||P_2||^2 && \cdots && ||P_2||^2 \\ \vdots && \vdots && \ddots &&\vdots\\ ||P_M||^2 && ||P_M||^2 && \cdots && ||P_M||^2 \end{pmatrix} + \begin{pmatrix} ||C_1||^2 && ||C_2||^2 && \cdots && ||C_N||^2 \\ ||C_1||^2 && ||C_2||^2 && \cdots && ||C_N||^2 \\ \vdots && \vdots && \ddots &&\vdots\\ ||C_1||^2 && ||C_2||^2 && \cdots && ||C_N||^2 \end{pmatrix} -2PC' } \\ =\sqrt{ \begin{pmatrix} ||P_1||^2 \\ ||P_2||^2 \\ \vdots \\ ||P_M||^2 \end{pmatrix}_{M\times 1} * \begin{pmatrix} 1 && 1 && \cdots && 1 \end{pmatrix}_{1 \times N} + \begin{pmatrix} 1 \\ 1 \\ \vdots \\ 1 \end{pmatrix}_{M\times 1} * \begin{pmatrix} ||C_1||^2 && ||C_2||^2 && \cdots && ||C_N||^2 \end{pmatrix}_{1 \times N} -2P_{M\times D}C'_{N\times D} }$

python代码可以这样写：

M = np.dot(X, self.X_train.T)
te = np.square(X).sum(axis = 1) #水平延伸，对3072维数据进行平方后求和
tr = np.square(self.X_train).sum(axis = 1)
dists = np.sqrt(-2*M+tr+np.matrix(te).T)

其中最后一步公式转换成相同维度可以相加的过程，被broadcast特性给省略了。

矩阵大小为：

    ('X.type', <type 'numpy.ndarray'>)
    ('X.shape = ', (500L, 3072L))
    ('self.X_train.shape = ', (5000L, 3072L))
    ('M.shape = ', (500L, 5000L))
    ('te.shape = ', (500L,))
    ('tr.shape = ', (5000L,))
    ('dists.shape = ', (500L, 5000L))

Logs

2018-2-16 入坑，完成了knn算法的学习，了解了基本原理。
2018-2-26 完成了knn算法的实践。
2018-3-15 重新开始~~了解了一下broadcasting机制。