如何联系top reinterviewerr

来源：蜘蛛抓取(WebSpider) 时间：2017-07-15 03:07 标签： interviewer

）一样也是基于马氏距离进行距离学习。

二是使最小类间距离小于类内距离

将上式写成式(5)的形式：

目标二在具体操作时是去寻找与\(\vec{x}_i\)距离最小的类间特征向量，这样做能减少一些计算量但效果会不会受到影响就不得而知了。

根据式(4)和式(6)构建 TDL 的损失函数：

TDL 也使用梯度下降法，通过不断的迭代更新来优化 \(\mathbf{M}\)这是我自己总结的 TDL 算法流程：

  • 迭代：直至收敛或达到最大迭代次数：

原作者的主页给出了 Demo，但是關键部分是加密的不过算法不算复杂，自己实现起来也很方便
迭代中的第5步，我在实现的时候直接用了网上找的一个叫做 nearestPSD 的函数
原莋者为了方便起见，实现的是 single-shot 版本的 TDL我实现的是 multi-shot，不过速度上不及原版
（这里更正一下，原作者给的 Demo 应该是 multi-shot 的只是在这篇文章中，使用了 single-shot 的实验配置这一点原文中有说明。）
我用自己实现的 TDL 替换掉了 Demo 中的加密部分实验结果和原结果相差不大。

之后我将自己写的 TDL 放叺了 KISSME 作者提供的测试框架里使用 LFW 数据库来测试，结果很尴尬……还不如欧式距离
我又把原版 TDL 放入 KISSME 的 learnPairwise 方法里面，同样使用 LFW 测试结果内存开销巨大（几十G），跑了一天没结果遂放弃。
猜测可能要搭配 TDL 原文中的特征一起使用才能发挥作用

我要回帖

更多关于 interviewer 的文章

 

随机推荐