總結smooth L1爲什麼好！
smooth L1 loss能從兩個方面限制梯度： 當預測框與 ground truth 差別過大時，梯度值不至於過大； 當預測框與 ground truth 差別很小時，梯度值足夠小。 考察如下幾種損失函數，其中 損失函數對 x 的導數分別爲： 觀察 (4)，當 x 增大時 L2 損失對 x 的導數也增大。這就導致訓練初期，預測值與 groud truth 差異過於大時，損失函數對預測值的梯度十
相關文章
- 1. smooth L1相比L1和L2，爲什麼好？
- 2. L1,L2,smooth L1
- 3. smooth l1
- 4. L1, L2以及smooth L1 loss
- 5. 損失函數 l1, l2, smooth l1
- 6. smooth L1 loss個人理解
- 7. Nginx爲什麼快,爲什麼好用
- 8. 爲什麼L1稀疏，L2平滑？
- 9. 爲什麼L1稀疏L2平滑？
- 10. 爲什麼情人總比老婆好
- 更多相關文章...
- • 爲什麼使用 XML Schemas? - XML Schema 教程
- • 爲什麼使用 Web Services? - Web Services 教程
- • 算法總結-雙指針
- • 算法總結-回溯法
相關標籤/搜索
每日一句
-
每一个你不满意的现在，都有一个你没有努力的曾经。
歡迎關注本站公眾號,獲取更多信息
相關文章
- 1. smooth L1相比L1和L2，爲什麼好？
- 2. L1,L2,smooth L1
- 3. smooth l1
- 4. L1, L2以及smooth L1 loss
- 5. 損失函數 l1, l2, smooth l1
- 6. smooth L1 loss個人理解
- 7. Nginx爲什麼快,爲什麼好用
- 8. 爲什麼L1稀疏，L2平滑？
- 9. 爲什麼L1稀疏L2平滑？
- 10. 爲什麼情人總比老婆好