svm和softmax哪个好

在多分类中，CNN的输出层一般都是Softmax。

RBF在接触中如果没有特殊情况应该是“径向基函数”（RadialBasisFunction）。在DNN兴起之前，RBF由于出色的局部近似能力，被广泛应用在SVM的核函数中，当然也有熟悉的RBF神经网络（也就是以RBF函数为激活函数的单隐含层神经网络）。如果说把RBF作为卷积神经网络的输出，觉得如果不是有特殊的应用背景，它并不是一个很好的选择。至少从概率角度上讲，RBF没有Softmax那样拥有良好的概率特性。

fmix参数配置

FMix是一种数据增强方法，用于增加模型的鲁棒性。下面是FMix方法的参数配置：1.alpha：控制Fmin和Fmax之间的混合比例，默认为1.。alpha越大，混合的样本越多。2.decay_power：控制混合图像上强度衰减的程度，默认为3.0。decay_power越大，混合的图像越强烈。3.size：混合图像的大小，默认为224。4.alpha_range：控制Fmin和Fmax之间的范围，默认为(0,0.2)。alpha_range可以是一个元组或列表，其中第一个元素为下限，第二个元素为上限。这些参数可以根据具体的需求进行调整，以获得更好的结果。

arcface详解

ArcFaceloss：AdditiveAngularMarginLoss（加性角度间隔损失函数），对特征向量和权重归一化，对θ加上角度间隔m，角度间隔比余弦间隔在对角度的影响更加直接。几何上有恒定的线性角度margen。

●ArcFace中是直接在角度空间θ中最大化分类界限，而CosFace是在余弦空间cos(θ)中最大化分类界限。

●预处理（人脸对齐）：人脸关键点由MTCNN检测，再通过相似变换得到了被裁剪的对齐人脸。

●训练（人脸分类器）：ResNet50+ArcFaceloss

●测试：从人脸分类器FC1层的输出中提取512维的嵌入特征，对输入的两个特征计算余弦距离，再来进行人脸验证和人脸识别。

●实际代码中训练时分为resnetmodel+archead+softmaxloss。resnetmodel输出特征；archead将特征与权重间加上角度间隔后，再输出预测标签，求ACC是就用这个输出标签；softmaxloss求预测标签和实际的误差。

●LFW上99.83%，YTF上98.02%

优点：

●性能高，易于编程实现，复杂性低，训练效率高

●ArcFace直接优化geodesicdistancemargin(弧度)，因为归一化超球体中的角和弧度的对应。

●为了性能的稳定，ArcFace不需要与其他loss函数实现联合监督，可以很容易地收敛于任何训练数据集。

缺点：

●W模型很大