if(isempty(direct_test) || length(direct_test) == 1) load(['../EXEM_CV_results/EXEM_GZSL_classCV_' dataset '_split' num2str(opt.ind_split) '_' feature_name '_' norm_method '.mat'],... 'val_acc_eu', 'val_acc_seu', 'val_HM_eu', 'val_HM_seu', 'val_bias_eu', 'val_bias_seu', 'opt'); if (strcmp(test_type, 'acc_eu')) [loc_C, loc_nu, loc_gamma, loc_pca_d] = find_max(val_acc_eu, direct_test); fixed_bias = val_bias_eu(loc_C(1), loc_nu(1), loc_gamma(1), loc_pca_d(1)); elseif (strcmp(test_type, 'acc_seu')) [loc_C, loc_nu, loc_gamma, loc_pca_d] = find_max(val_acc_seu, direct_test); fixed_bias = val_bias_seu(loc_C(1), loc_nu(1), loc_gamma(1), loc_pca_d(1)); elseif (strcmp(test_type, 'HM_eu')) [loc_C, loc_nu, loc_gamma, loc_pca_d] = find_max(val_HM_eu, direct_test); fixed_bias = val_bias_eu(loc_C(1), loc_nu(1), loc_gamma(1), loc_pca_d(1)); elseif (strcmp(test_type, 'HM_seu')) [loc_C, loc_nu, loc_gamma, loc_pca_d] = find_max(val_HM_seu, direct_test); fixed_bias = val_bias_seu(loc_C(1), loc_nu(1), loc_gamma(1), loc_pca_d(1)); else disp('Wrong test type!'); return; end C = opt.C(loc_C(1)); nu = opt.nu(loc_nu(1)); gamma = opt.gamma(loc_gamma(1)); pca_d = opt.pca_d(loc_pca_d(1)); disp([loc_C(1), loc_nu(1), loc_gamma(1), loc_pca_d(1), fixed_bias]); else fixed_bias = direct_test(5); C = direct_test(1); nu = direct_test(2); gamma = direct_test(3); pca_d = direct_test(4); end
时间: 2024-04-17 22:28:01 浏览: 157
这段代码首先检查变量 direct_test 是否为空或长度是否为1。如果是,则加载之前保存的结果文件,并从中获取变量 val_acc_eu、val_acc_seu、val_HM_eu、val_HM_seu、val_bias_eu 和 val_bias_seu。根据 test_type 的不同,使用函数 find_max 在相应的结果矩阵中找到最大值,并得到对应的 loc_C、loc_nu、loc_gamma 和 loc_pca_d。根据 loc_C、loc_nu、loc_gamma 和 loc_pca_d 的值,从 val_bias_eu 或 val_bias_seu 中获取 fixed_bias。
如果 direct_test 不符合上述条件,则将 fixed_bias 设置为 direct_test 的第5个元素,并将 C、nu、gamma 和 pca_d 设置为 direct_test 的前4个元素。
最后,将定位到的 loc_C(1)、loc_nu(1)、loc_gamma(1)、loc_pca_d(1) 和 fixed_bias 显示出来,并将 C、nu、gamma 和 pca_d 分别赋值给对应的变量。
相关问题
%% testing if (strcmp(task, 'test')) if(isempty(direct_test) || length(direct_test) == 1) load(['../EXEM_CV_results/EXEM_classCV_' dataset '_split' num2str(opt.ind_split) '_' feature_name '_' norm_method '.mat'],... 'val_dis_eu', 'val_dis_seu', 'val_acc_eu', 'val_acc_seu', 'opt'); if (strcmp(test_type, 'dis_eu')) [loc_C, loc_nu, loc_gamma, loc_pca_d] = find_max(-val_dis_eu, direct_test); elseif (strcmp(test_type, 'dis_seu')) [loc_C, loc_nu, loc_gamma, loc_pca_d] = find_max(-val_dis_seu, direct_test); elseif (strcmp(test_type, 'acc_eu')) [loc_C, loc_nu, loc_gamma, loc_pca_d] = find_max(val_acc_eu, direct_test); elseif (strcmp(test_type, 'acc_seu')) [loc_C, loc_nu, loc_gamma, loc_pca_d] = find_max(val_acc_seu, direct_test); else disp('Wrong test type!'); return; end C = opt.C(loc_C(1)); nu = opt.nu(loc_nu(1)); gamma = opt.gamma(loc_gamma(1)); pca_d = opt.pca_d(loc_pca_d(1)); disp([loc_C(1), loc_nu(1), loc_gamma(1), loc_pca_d(1)]); else C = direct_test(1); nu = direct_test(2); gamma = direct_test(3); pca_d = direct_test(4); end Sig_Ytr = Sig_Y(unique(Ytr), :); Sig_Yte = Sig_Y(unique(Yte), :);
这段代码是用于进行测试的部分。
首先判断是否为测试任务(`task`为'test')。如果是,则执行以下操作:
1. 如果`direct_test`为空或长度为1,则加载之前保存的交叉验证结果和参数设置。使用`load`函数从MAT文件中加载`val_dis_eu`、`val_dis_seu`、`val_acc_eu`、`val_acc_seu`和`opt`变量。这些变量保存了交叉验证过程中的评估结果和参数设置。
2. 根据`test_type`的值,调用`find_max`函数找到在测试类型下具有最大值的索引。如果`test_type`为'dis_eu',则在-val_dis_eu中找到最大值的索引;如果为'dis_seu',则在-val_dis_seu中找到最大值的索引;如果为'acc_eu',则在val_acc_eu中找到最大值的索引;如果为'acc_seu',则在val_acc_seu中找到最大值的索引。
3. 根据找到的最大值的索引,获取对应的C、nu、gamma和pca_d参数值。
4. 显示找到的最大值的索引,用于输出结果。
5. 若`direct_test`不为空且长度为4,则直接使用`direct_test`中指定的C、nu、gamma和pca_d参数值。
6. 根据训练数据集标签Ytr,在Sig_Y中选择对应类别的特征向量,得到Sig_Ytr。
7. 根据测试数据集标签Yte,在Sig_Y中选择对应类别的特征向量,得到Sig_Yte。
这段代码的目的是根据测试任务的要求,选择合适的参数设置,并获取相应的训练和测试数据集的特征向量。如果直接指定了测试参数,则使用指定的参数进行测试;否则,根据交叉验证结果选择最优参数进行测试。
%% testing if (strcmp(task, 'test')) if(isempty(direct_test)) load(['../SynC_CV_results/SynC_fast_' opt.loss_type '_classCV_' dataset '_split' num2str(opt.ind_split) '_' feature_name '_' norm_method '_' Sim_type '.mat'],... 'acc_val', 'opt'); [loc_lambda, loc_Sim_scale] = find(acc_val == max(acc_val(:))); lambda = opt.lambda(loc_lambda(1)); Sim_scale = opt.Sim_scale(loc_Sim_scale(1)); disp([loc_lambda(1), loc_Sim_scale(1)]) else lambda = direct_test(1); Sim_scale = direct_test(2); end if (exist(['../SynC_results/SynC_fast_' opt.loss_type '_' dataset '_split' num2str(opt.ind_split) '_' feature_name '_' norm_method '_' Sim_type... '_lambda' num2str(lambda) '_Sim_scale' num2str(Sim_scale) '.mat'], 'file') == 2) disp('load existing file!!'); load(['../SynC_results/SynC_fast_' opt.loss_type '_' dataset '_split' num2str(opt.ind_split) '_' feature_name '_' norm_method '_' Sim_type... '_lambda' num2str(lambda) '_Sim_scale' num2str(Sim_scale) '.mat'], 'W'); else disp('train a new model!!'); if (strcmp(opt.loss_type, 'OVO')) W = train_W_OVO([], Xtr, Ytr, lambda); elseif (strcmp(opt.loss_type, 'CS')) W = train_W_CS([], Xtr, Ytr, lambda); elseif (strcmp(opt.loss_type, 'struct')) W = train_W_struct([], Xtr, Ytr, Sig_dist(unique(Ytr), unique(Ytr)), lambda); else disp('Wrong loss type!'); return; end end
这段代码是进行测试阶段的代码。首先判断 `task` 是否为 `'test'`,如果是,进入测试阶段的代码。
如果 `direct_test` 是空的,加载之前保存的验证集准确率矩阵 `acc_val` 和参数配置 `opt`。然后找到准确率最高的参数组合的索引 `loc_lambda` 和 `loc_Sim_scale`,并将对应的参数值赋给 `lambda` 和 `Sim_scale`。最后打印出找到的最优参数组合的索引。
如果 `direct_test` 不为空,直接将 `direct_test` 中的参数值赋给 `lambda` 和 `Sim_scale`。
接下来,检查是否存在之前训练好的模型文件。如果存在,加载该模型文件并赋值给变量 `W`。否则,显示需要训练新模型的提示。
最后,根据不同的损失类型(`opt.loss_type`)使用相应的训练函数(`train_W_OVO()`、`train_W_CS()`、`train_W_struct()`)训练新模型,并将结果赋给变量 `W`。
阅读全文