我们通常输入输出都是vector，但是实际是更加困难的。更复杂的是输入输出是objec t。
输入输出的例子：
结构化学习的统一框架，trian和test过程：trian过程：x数据，y是标签。R值越大代表越相似，test过程：输入x穷举所有y看看哪个与输入x最相似，就是R值最大的。之后输出预测结果y。
object detection task是给一张照片让机器寻找我们要找的object，input image output bounding box 。
找图片中女生的位置圈出来。红色框就是bounding box。
这是train的时候：输入不同的照片进行train，具体的object detection例子：输入与输出的表示。F（x，y）代表分数。越高圈的越对。
test的时候：输入从来没有看到过一张照片，穷举所有可能的bounding box，看得到的分数，分数最高的F（x，y）之后model output y即bounding box。
task为Summarization ：输入long document；输出summary；
trian时：和正确的summary配成一对时值就很大，和不正确配成一对时值就很小；test时：穷举所有可能的summary，看哪个summary使你的F（）最大，那就是model的output；
检索 Retrieval：输入时关键字，输出是网页列表；
train时：要让机器知道输入奥巴马输出应该是这个list，输入其他关键字应该是另一个列表，输入正确F（）值就大错误就小；test时：输入一个关键字，穷举所有list看看哪个分数最高，最高的就是model的output。
统计学：统一框架转化为P（）概率，train时：一起出现的概率在0,1之间；test时：输入x找一起出现概率最高的y；作为model的output。
解释上边的统计学：解释概率方法的缺陷：概率不能够解释一切。解释概率方法的优点：容易理解统一框架的F（）长什么样，在不同的task中。如下图所示。
解决argmax问题Y空间是非常大的，穷举的时候做得到吗？
在训练的时候，正确的F（x，y）是否可以大于其他的值，
structure learning解决的三个问题。
还在哪里听到过这三个问题如下图。
与DNN的联系，之前讲的东西是structure learning的特殊例子，DNN的cross entropy(loss function)就是structure learning的F（）。在classification时y只有几类太少了，可以穷举的，找max就是穷举的行为。与之前的讲的完美结合。获取以上文本PPT请点击这里
相关文章：