研究文章
三联体深哈希联合基于深层神经网络监督的损失
|
输入:训练图像
;代码长度
;时代= 150;superparameters
;和minibatch = 128 |
| 初始化:初始化神经网络参数
,
,和与AlexNet模型和迭代数 |
| 生成三联体训练集:
; |
| 为
;
;
做 |
| 随机样本的minibatch点
,每个采样点
: |
| (我) |
计算向前传播; |
| (2) |
计算
; |
| (3) |
计算的二进制代码与
; |
| (iv) |
计算衍生品点
; |
| (v) |
更新参数利用BP; |
| (vi) |
计算
; |
| 为
;
;
做 |
| 离散循环坐标下降(DCC)优化: |
| (我) |
计算根据(16); |
| (2) |
迭代优化更新一点一点地使用DCC法根据(21在minibatch); |
| 结束了 |
| 更新minibatch根据联合损失函数(13); |
| 结束了 |
| 输出:
,与参数
; |
| 哈希码
。 |
|
