single value ground truth labels as inputs 不是很理解 about keras-mnist-center-loss-with-visualization HOT 4 CLOSED

因為每個feature彼此之間不知道是否屬於同一個class，所以他們需要groud-truth去辨別彼此是否要聚集再一起，這不是初始值的意思，C的初始值我沒有去動它。

from keras-mnist-center-loss-with-visualization.

谢谢。
可以理解为用ground-truth来对feature进行判别，是否属于同一个class的
即代码input_target = Input(shape=(1,))
同时对第二行代码：centers = Embedding(10,2)(input_target)，有一丝困惑。
我也看了Embedding和词向量的区别，可是不是很懂。但是就所写的代码而言，Embedding作为一个可训练矩阵，用以训练C。
您在网站上也介绍了，the shape of centers is （？，1，2），这个可以解释一下么？因为 the shape of ip1 is （？，2）`

ip1层有2个feature，而centers中也是2个，每个feature对应centers中的一个，即中心C

from keras-mnist-center-loss-with-visualization.

基本上就是你的特徵和聚類中心勢必要有一樣的dim，所以才會有centers = x[1][:,0]讓他的dim也化為(?,2)，如此才能跟ip1做相減的動作。

至於Embedding我個人把它想成一個table，有10個dim為2的center疊在一起，你輸入某個groud-truth label他就給你該label對應的center，一個查找的概念。

from keras-mnist-center-loss-with-visualization.

谢谢。明白了。

from keras-mnist-center-loss-with-visualization.