李宏毅機器學習2016 第二十講 結構化線性模型

視頻鏈接：李宏毅機器學習(2016)_演講?公開課_科技_bilibili_嗶哩嗶哩

課程資源：Hung-yi Lee

課程相關PPT已經打包命名好了：鏈接：https://pan.baidu.com/s/1c3Jyh6S 密碼：77u5

我的第十九講筆記：李宏毅機器學習2016 第十九講 結構化學習簡介

Structured Linear Model

本章主要講解了結構化線性模型的求解。

1.結構化線性模型（Structured Linear Model）

在第十九講最後，結構化模型問題通常有三個問題。解決了這三個問題，就可以成功解決結構化學習問題。當問題1中的F（x，y）是一個特有的形式時，問題3就很容易解決。

2.問題1（Problem 1）

在結構化線性模型中，問題1將模型定義為線性的。將x和y用一些特徵characteristics來表示。

再將其乘上權值，線性組合起來形成F（x，y）。

舉例目標檢測。

x為圖像，y為邊界框，上圖中所示的特徵是隨便取的某些特徵。當然可以用CNN卷積神經網路，深度學習的方法來提取特徵。這樣提取的特徵是能work的。

當然其他的文檔總結（Document Summarization）、圖像搜索（Image Retrieval）同樣也可以應用。

3.問題2（problem 2）

在這裡，我們假定已經解決了這個問題。能夠解出最大化問題。

4.問題3（Problem 3）

給定訓練數據，能夠訓練出滿足要求的權值。該權值滿足對於所有的訓練樣本，所有的不正確的樣本與權值乘積和值要小於正確樣本與權值乘積和。

直觀上來看此類問題很難，其實不然。

演算法如上所示，和感知器（Perceptron）學習方法有點類似，且此方法是能夠收斂的。關於為何能收斂涉及太多的數學知識就不進行說明了。

5.總結

通過分析結構化線性模型的三個問題，最終可以將其由三個問題簡化為2個問題。問題變成了如何提取特徵以及怎樣找到最大值。