本文介绍了哈希学习的核心，包括哈希函数的选择（如线性、核函数、无参函数）、相似性（输入空间与编码空间）、损失函数的设计、优化技术和分类。哈希学习旨在通过哈希函数将输入映射到码空间，保持相似性并实现高效查询。
了解到哈希学习是在哈希编码阶段进行的，参考上一节基于hash的ANN框架
哈希学习的目的是：学习一个复杂的哈希功能，y=h(x)，把一个输入点x映射成哈希码y，且满足q点的最近邻尽可能与实际结果相近，并且在编码空间的查询也是有效的。要满足这些要求，需考虑以下5个部分：哈希函数、编码空间的相似性、输入空间的相似性、损失函数、优化技术。
一、哈希函数
哈希函数可以是基于线性的、核函数、球面函数、深度神经网络、无参函数。
1.线性哈希函数
当z>=0时，sgn(z)=1，当z<0时，sgn(z)=-1（或0）。w是映射向量，b是偏移量。
2.核哈希函数
st表示从数据集中随意获得的代表样本或者是数据集的聚类中心，wt表示权重。
3.无参哈希函数
最低0.47元/天 解锁文章
扫一扫
656
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
