[LAB 10 · 从 RGB 图像训练小型检测器](/course/notebooks/a14237bfa9dd413d959ab4e458e11f42.html)

# 选读热身：四维分类的参数更新
[独立阅读](/course/notebook-blocks/a2ef0fcda60a4b44806ada2d2bccb2b3.html)
主线阅读与优先实验

RGB图像、单特征层锚框检测器、分类/位置损失、NMS、独立检测评价

## 选读热身：四维分类的参数更新

四维向量 $x$ 经过 $p=\sigma(x^T w)$，交叉熵梯度是 $X^T(p-y)/N$。这里确实有参数学习，但四个数不是图像，也没有框目标；准确率只能说明这个人为超平面能否被重获。预测先于运行：只把训练标签打乱，保留集仍按原超平面给真值，模型还能恢复原规则吗？随机标签不提供真实规律，但单次有限样本分数不必恰好等于 .5。这个对照检查的是监督关系，不涉及定位。

下格保留原数据、200 次更新与权重输出，补上独立保留样本及标签打乱条件；明确把原来的 “objectness accuracy” 改为四维分类热身的训练准确率。本次实跑：训练准确率 .953125，独立同规则保留集 .94921875，打乱训练标签后在同一保留集仅 .36328125；这个下降也不能变成检测能力的证据。

若已经熟悉 sigmoid 与交叉熵，可直接阅读“主实验的输入、目标和固定协议”；完整复跑仍按格顺序执行即可。