超详细lightroom后期教程！~你的后期启蒙之旅！~
我的图书馆
超详细lightroom后期教程！~你的后期启蒙之旅！~
此篇教程为基础篇，主要是介绍一下我们常用的调色软件lightroom【推荐使用LR】很多新人刚刚入摄影圈，准备学习后期的时候，都会受到PS的名气或者周边人的劝告等影响而去学习PS，我个人呢其实是不推荐的，因为PS功能太多也没有什么头绪，新手刚刚开始接触时，会不知道该如何做，而且因为每一个教程也太散太乱，不适合新手启蒙。所以我在这里还是更推荐大家使用ADOBE的另一款软件lightroom。【推荐原因】相比与PS，它有完善的照片管理功能和简明的光影调色模块，他的功能确实也更加适合新手，毕竟我们对于一张照片的调节自然是最先从光影开始的。（从下图可以看出LR的简单粗暴界面，功能都写脸上了）其实读完此教程已经能处理很多图片的能力。不过所谓的调色，也要有基础才能调的好，所以大家还是先熟悉一下基础功能，然后再去学各种调色风格比较好。【前言】如今网上LR教程品质良莠不齐，而且大部分范围也只囊括了LR的一小部分功能，详细程度更是令人堪忧，简略而又跳跃，新手很容易摸不着头脑。我自己也是这么一路走过来的，希望尽自己的微薄之力，让大家更好的上手Lightroom。---本教程贴由我一个字一个字的码出来的，部分内容整合自其他零散的教程，但绝无任何复制粘贴，全都是我个人经验总结。---转载前请先艾特我一下，并注明出处，谢谢。【教程目录】1---LR预设分享。2---关于RAW和格式选择。3--如何导入照片、预设。 4---裁剪。5---白平衡。6---曝光与黑白场。7---清晰度与锐化。8---色彩，hsl。9---分离色调。10---细节与效果。11---如何导出。12---练手素材。关于色调曲线这东西，我会放在下一个教程里面说（如果有的话囧）一是因为它太过复杂，二是和PS一起讲更容易理解。【感谢】感谢一路走来看过的那么多大神的教程，你们是真正的导师。尤其是墨迹和李涛老湿，都算是我的后期启蒙者。尤其推荐李涛老湿的PS摄影高高手系列，虽然要钱，但是真的是精品。【我的微博和LOFTER】微博：简-水丘沙 ，简是我的工作室名字，现在还没正式开放。大家可以先加我，以后有问题可以相互讨论，不过我不是大神，亲喷。lofter：shuiqiusha 主要活动场所，发图都是lofter首发，以后也会在里面写些简单的调色小技巧和推推音乐之类的。二，关于相机格式的选择。绝大部分刚刚拿到相机的新手都不知道为什么格式会有两个选项，一个RAW一个JPG。然后因为对于JPG更理解一些，就都选择JPG模式了。嘛，在这里，我还是推荐大家使用RAW格式的。为什么呢？【RAW格式的介绍】RAW格式其实就是相机对于光线的原始记录，套用百度百科的话就是‘‘CMOS或者CCD图像感应器将捕捉到的光源信号转化为数字信号的原始数据。’’别废话那么多，你只要知道其更适合后期而且宽容度更高（宽容度就是一张照片里面所能容纳的最大光比，光比就是最强光线的亮度是最弱光线的多少倍，简单来说宽容度高的话，那么一张照片里面的阴影和高光能同时有丰富的细节），而且在多次修改中不会损伤画质就好了。【例子】下面是我拍的一张废图，就用来作为演示吧。这张图事先准备了两个格式RAW与JPG，然后同时进行调整。可以看出的是，原图阴影基本是黑的了。用同样的数据，Raw轻松把阴影提亮，而JPG格式下的图片阴影处几乎毫无改变。而且如果看局部截图，RAW的画质基本可用，而JPG已经布满噪点。这便是我为何强烈推荐RAW格式的原因。【原图几乎全黑】【JPG格式下的调试并无卵用】【RAW格式下，变得如同白天一样通透】三，如何导入照片和预设。【导入照片】其实有好几种办法，不过我们用最简单的就好。看下图~【图一】点击展开，查看完整图片点击这个按键后，会出现下图，然后自己选择你想要导入的图所在的文件夹即可，如果是插了卡，LR会自动识别出你的卡。并且导入过得图不会再被导入。【图二】你会发现导入的图按照你的拍摄时间被分好类了。好啦，你现在已经学会如何导入了，希望你能养成良好的图片管理习惯~~【导入预设】如果资源没有被爆掉的话，相信你们应该拿到预设了，那么接下来就教你们如何导入预设1，先点击选择刚才导入的照片2，点右上角的‘修改照片’，在这里说一下，LR平时用到的也就‘图库’和‘修改照片’两个模块，其他很少用.....至少我没用到过。3，在左边的预设栏里，右键然后选择新建文件夹，然后输入你想要的名字。4，右键你刚刚建立的分类栏，你就会看到‘导入’的选项，点‘导入’后，找到‘解压后’的预设，就可以把预设拉进LR啦。【图三】【图四】点击左侧的导入，便可以把你想要的预算导入了四，裁剪。在我们外出拍照的时候，拍摄条件不一定时时刻刻都那么的好，有时候各种情况限制，构图不够好，怎么办？不要紧，如果你轻微的构图失误，用LR绝对可以完美解决下面我会用教你怎么用裁剪。如下图，裁剪的按钮在这里，直方图下面的第一个按钮，可以看到，点了‘裁切’之后出现了个九宫格，在里面的部分就是你想要留下的部分。用这个，就能帮助你第二次构图啦~（PS，裁剪后如果不满意重新点击一次裁剪，还可以复原哟）图1。而且你也可以选择裁剪比例，也许16比9的比例能让你的照片看上去更有电影镜头感。图2。不过我个人并不是特别推荐后期裁剪，固然这个能帮助你更好的构图，但是还是很损像素和画质的，所以如果可以的话，还是尽量前期完成构图的好。PS，截图工具的右边是污点修复工具，能够简单地祛除掉斑点污点等。五，白平衡。【重点】！白平衡是摄影里面很重要的，简单的说，白平衡是把‘照片里的白色还原为真正的白色’。通俗的理解白色是不含有色彩成份的亮度。人眼所见到的白色或其他颜色同物体本身的固有色、光源的色温、物体的反射或透射特性、人眼的视觉感应等诸多因素有关。举个简单的例子，当有色光照射到消色物体时，物体反射光颜色与入射光颜色相同。【图一】比如说在日光灯的房间里拍摄的影像会显得发绿，在室内钨丝灯光下拍摄出来的景物就会偏黄，而在日光阴影处拍摄到的照片则莫名其妙地偏蓝，其原因就在于“白平衡”的设置上。【图二】出现这些现象是因为单反的白平衡在一些情况会不准。那我们要做的，就是把【偏色的白变成真正的白色】。（其实同样能还原其他被干扰的颜色。）【图三】可以从上图发现白平衡分两个滑块，一个是色温，一个是色调，色温的变化是从蓝到黄，色调是从绿到紫，至于为毛线是这样，，，牵扯到了其他复杂的东西，不过我们这里不需要知道，所以就跳过了。那么，我们到底怎么调整白平衡的【平衡点】呢？第一步先知道【吸管】在哪。然后你用吸管去点击图上的部位，如果你选蓝的点，照片就会变黄；选黄的点，照片就会变蓝。选绿变紫，选紫变绿，，，就如同我们在白平衡里面对【色温】和【色调】进行改变一样。这就是颜色的魔术，但是这都不是我们想要的【平衡点】，平衡点要找RGB三原色平衡的点。所谓的三原色平衡点，便是【灰】，能让LR帮你挽回白平衡的不准。（原理在这里还是不赘述了，有兴趣的可以百度中性灰，并结合色光混合原理，思考为何选取中性灰）那到底怎么实践呢？请看图，这张图是去年我用D610拍的一个朋友，简直黄的惊人（捂脸），这也是我为啥放弃尼康的一个原因了（后来事实证明其实佳能的白平衡也不准。。）【图四】可以看出在微调白平衡后，整张照片都通透干净了很多！而这，只不过是后期的第一个开端而已！（当然也是非常重要的开端）如果白平衡不调好，你后期调了其他颜色，你的图只会越偏越远，有些场景可以有例外，日落什么的。当你有点后期功底，并有了自己的想法后，你就可以自己运用白平衡创作出不同的感觉了，就算是偏色，调出来的图片看起来也会有一种舒服的感觉，这是后话了。【图五图六】六，曝光与黑白场。那如何合理的曝光？简单的来说，就是平衡图片的亮与暗。首先，你要理解每个选项的概念：【曝光度】这是应用于整个画面中的中性灰部分，调整曝光度对白色的影响更大，对纯黑色的影响较小。【对比度】调整对比度，即黑的更黑，白的更白，深色的更深，浅色的更浅【高光】调整画面曝光度较高的部分【阴影】调整画面曝光度较低的部分【白色色阶】调整画面最亮的部分，就如同白纸一般，几乎看不到信息【黑色色阶】调整画面最暗的部分，就如同墨一般，几乎看不到信息不同的数据负责画面不同的部分，那到底怎么样结合才能得到最佳的组合的曝光呢？像前面说的，不同的照片，不同的风格。也许这样简单的概括，大家还没什么概念，那我们贴上一张直方图。【图一】直方图代表了当前所有有效像素的分布。从上面可以看到，直方图被我分成了4个部分，分别是‘高光’‘阴影’‘黑色色阶’和‘白色色阶’，还有一个‘曝光’凌驾于‘高光’和‘阴影’之间，意思就是调节‘曝光’能够同时影响到这两个属性之间的中性灰部分。直方图的作用主要是显示图片的各种曝光属性的情况。而如图所示（被我用红色画笔画圈的部分），左上角和右上角分别有一个向上的箭头，点左边的箭头是提示你严重欠曝的区域，而右边是提示你严重过曝的区域，欠曝提醒为‘蓝色’，过曝为‘红色’。【图二】这张图是明显的降档拍摄方法，整个像素都主要集中在阴影和黑色色阶里，可以看到我这张图的底部几乎全都处于严重欠曝了。不过这张片子虽然是欠曝，并不代表我们就是要通过曝光加大去修改这张片子，因为增加曝光，只不过是把灰度的地方给拉亮了，虽然曝事实上亮部信息并没有被保存下来。【图三】事实上我的习惯是从下往上，然后再从上往下调，也就是先动黑色色阶，最后曝光，然后调节完曝光后看整体有没有再需要微调的。【图四】这里我首先是大幅度提升了黑色色阶和阴影，让之前全部集中在暗部的像素被提出来，然后加了白色色阶降低了高光，这是让天空的云彩能有比较高的对比度，彰显火烧云的色彩浓郁，最后再稍微加了一点曝光和对比度。其实说这些，还举例子，就是告诉你，该怎么调，心里要有个底，不要一打开图就乱拉数据，循序渐进。当然你们在刚刚接触LR的时候可能不一定能很清晰的形成想法，尽量去多练，自己多修几次，就有充足的创意了。我这里就不继续放图献丑了，囧。七，清晰度与锐化。（连带画笔局部调节）很多首先要说的是，清晰度以及鲜艳度，饱和度，这三个选项非常好用，但是，很多新人在调节了这三样属性后惨不忍睹，为什么呢？听我给你细细道来这三个属性的特性。【清晰度】---清晰度类似与锐化，与照片里面的【细节】挂钩，但是！它与锐化是有很大差别的！清晰度是寻找亮度差和色彩差的边缘（其实就是物体的边缘），然后以这些边缘为中心，进行大幅度的对比度改变。【锐化】锐化是在亮度差和色彩差的边缘增加两道黑白线，以此来增加边缘的对比度，从而创造更大的反差。所以说锐化比增加清晰度要更精细一些。 那是不是增加清晰度，就一定没有锐化好呢？并不是的，清晰度的边缘大幅度对比度改变也有很好的改变。 就是会把照片里面的元素变得立体，比如说风景照，黑白照，人文纪实照就特别适合增加适量的清晰度。为什么说是适量？根据我的观察：（以下情况也会出现在大幅度锐化中，因为原理相似）---第一，如果清晰度加太猛，会使得照片有一种‘脏脏’的感觉，喜不喜欢看你个人感觉。---第二，因为增加清晰就是在增加边缘对比度，会使得明暗对比加大，会造成一个现象：边缘会出现很假的间隙。---第三，图片变得粗糙无比。放大之后画面不可用。【图一】适量加了一些清晰度，增加了食物的质感，也让其更加立体。【图二】大幅度增加清晰度，图片会变得很压抑，对比反差大，有脏脏的感觉，而且边缘和画质都变得很差。【图三】大幅度减少清晰度，有一种梦幻的模糊感（才怪），也不好看，所以任何调节都要看图而适量，轻微的降低清晰度有时候有柔光和磨皮的效果（然而并不好用，想要磨皮和柔光还是老老实实学PS吧）那么假如我需要调节这个图片的部分而不影像整个图片该怎么办？我们就要用到‘画笔’工具。【图5】点击展开，查看完整图片点击画笔工具后会出现如上图的调节框，你可以先进行调试后去糊图片一脸，也可以先糊脸确定范围再微调。涂完后会生成一个小黑点，鼠标放上去就会形成红色的一个蒙版，这代表你这次画笔涂抹的范围。邮件可以删除这次画笔的微调。【图6】八，色彩和HSL关于鲜艳度和饱和度，他们都是用来调整色彩方面的参数，提升后都能让图片更鲜艳，能为后期提供更大的创作空间。但是，他们两个还是有很大的不同，我们先从基础概念说起：【鲜艳度】鲜艳度不是线性的，它主要调的是色度不高的部分，本身就很饱和的部分会受到一定保护（调的时候变化不大），同时肤色也会受到保护（变化不大）以避免溢出，效果相对比较自然。【饱和度】饱和度是所有色度等比例增减，是线性的，增加饱和度的同时，本身就很饱和的部分就可能变成一片纯色没了细节（溢出）。所以，鲜艳度和饱和度使用需谨慎，一不注意色彩就会溢出，图片就变得重口了，这个给新手一个建议，如果要用这两个参数，用鲜艳度优先于饱和度【图1】【图2】【图3】上面介绍的两种属性都是对整张图所有的色彩进行调节，可是如果我不想要对其他的颜色进行改变，而只想对单独的颜色进行微调该如何呢？那就是接下来要讲到的HSL版块。这也是调色的中级部分（高级部分是曲线和可选颜色，以后有机会就讲）。【图4】比起饱合度和鲜艳度的全局所有颜色改变，HSL里面可以对【单独】的颜色进行【色相】，【饱和度】与【明亮度】的调整。 我们先来介绍一下这三个属性吧。【色相】色相，即各类色彩的相貌称谓，如大红、普蓝、柠檬黄等。色相是色彩的首要特征，是区别各种不同色彩的最准确的标准。【图5】【饱和度】饱和度指色彩的纯洁性，也叫饱和度或彩度，是“色彩三属性”之一。如大红就比玫红更红，这就是说大红的色度要高。饱和度越高色彩越鲜艳。【明度】色彩明度是指色彩的亮度或明度。颜色有深浅、明暗的变化。比如，深黄、中黄、淡黄、柠檬黄等黄颜色在明度上就不一样，紫红、深红、玫瑰红、大红、朱红、桔红等红颜色在亮度上也不尽相同。色彩越亮越淡也就是明度越高，举个栗子，拍的妹子脸又黑又黄？把橙色和黄色的明亮度疯狂拉高~duang的一下妹子就白了，因为我们人脸主要是橙色和黄色的，而这两种颜色变淡变亮，人脸自然就变亮了。【图6】比如这个妹子，脸黑的不行，我们只要轻轻一拉橙色明亮度，瞬间她脸就亮起来了。那么问题来了，学挖掘机到底哪家强？。。。。。。开个玩笑，问题：那和直接用画笔糊脸加曝光有什么差别呢？差别在于有些“非洲黑哥哥”你再怎么加曝光糊脸都没用，而提升【明亮度对于肤色的提亮】，能够瞬间让他变成欧洲人（笑）知道了这几个属性后我想大概你也能调出你自己想要的感觉了，总之一句话，自己多尝试。【图7】上图完全是HSL调试的结果。九，分离色调。简单来说就是在高光和阴影中加颜色，就比如我之前发的那组照片，就是在高光里面加了蓝色，让主体受光部分变得更干净，而阴影部分则加了少量的黄色，增加背景建筑的历史感。当然，上面我说的只是我自己的思路，分离色调这种东西是最适合玩创意的了，想怎么加都是你的自由（别太重口就好）下面是我简单使用白平衡和分离色调调出的色彩，PS里面只进行了简单地液化和磨皮。十，细节与效果。【图1】从上图可以看到在细节栏里面有这两个板块：【锐化】锐化下有“数量”，“半径”，“细节”，“蒙版”，四个滑块，这就是控制锐化程度的了，“数量”越大，锐化程度约深，画质损失也越大；“半径”越大锐化程度越深，画质损失也越大。“细节”是控制锐化范围细节，保留基本的细节对比度。“蒙版”的作用是进行锐化的同时，对大面积连续色调的皮肤进行保护，避免锐化时将皮肤变得更加粗糙，防止皮肤瑕疵变得更加严重。在LR的锐化设定中，蒙版的默认值为零，即不启用，因此对人像加锐时，首先要把蒙版滑块向右拉一下。但到底拉多少合适？到底皮肤中的哪些部分得到了保护，哪些部分得到锐化了呢？这里有一个小技巧，即向右拉蒙版滑块时按住Alt键。这时画面变成了黑白两色，黑色区域是被保护的区域，白色的是得到锐化的部分，效果非常直观。【减少杂色】其实也就是我们常说的降噪，降低噪点。LR的降噪效果和相机里的不太一样，因为相机处理器的能力毕竟有限，无法和电脑相比，也无法根据每一张原片的具体情况分别处理，因此高感降噪的结果往往有严重的涂抹感，甚至出现偏色。而用LR进行降噪，可以在保持很多细节同时大大降低噪点，由于涂抹感小，降噪后的颗粒自然，和高感光度的胶片效果相似。LR的降噪调整比较简单，无需太多叙述，就是明亮度和颜色两个滑块，一个控制黑白噪点，一个控制彩躁，在向右拉的时候，如果觉得锐利度降低了，可同时调整细节滑块。另外，必要时同时再调整一下锐化中的数量和半径，最终在降噪与锐度之间达到比较理想的平衡。【图2】然后是我们要说到的效果栏，这个比较简单，就是增加暗角或者消除暗角的。下部的【颗粒】则是用来增加噪点，有时候用来模仿胶卷质感别有一番风味。因为我的后期思路是讲究通透清新，我在这里就不演示了。十一，镜头校正和如何导出。【镜头校正】在这个选项里，你除了可以用手动方式对紫边以及扭曲度等进行计校正外，还可以通过在“启用配置文件校正”上打上对钩，通过镜头校正文件对图像进行自动校正。不过，Lightroom中配备的镜头校正文件数量不多，即使是最新版的也如此，很多镜头都没有校正文件。这一点和DxO不同，用DxO时，首先会根据你的片子查找是否几倍机身和镜头的校正文件，如果没有，会自动下载。但是对此，Adobe有自己的解决方案，那就是通过一个免费软件实现镜头数据校正文件下载，这个软件就是Adobe Lens Profile Downloader。感兴趣的朋友可以自己去下，我这里就不提供资源了。【图1234】想要祛除紫边的使用，放大照片，然后用吸管去吸一下图片里面的紫边就好了，左边还可以调试祛除的色彩范围。【如何导出】等上述一切都做完了之后，大概你也想要把你的作品导出LR，发到你的朋友圈，微博什么的去骗骗评论了，那么下图将教你怎么导出。【图片56】【最后单击右下角的‘导出’】完成！十二，练手素材。哈哈，讲到这里也差不多结束啦，掌握以上的技能，应对基础的调色，你们应该能够得心应手了，同时这也能培养你们的良好后期习惯，管理照片的习惯等。比直接上手PS要方便很多。那么我在这里也放一些练手的素材，供大家使用。修完了也可以发到这个帖子里面，大家相互讨论，互相提高~下面是原图预览
馆藏&30319
TA的推荐TA的最新馆藏[转]&[转]&[转]&[转]&[转]&[转]&[转]&[转]&[转]&[转]&6157人阅读
机器学习（14）
LR是机器学习入门的第一道坎，总结一下，Linear Regression 和logistic Regression都是属于GLM，套了logistic之后，输出结果就变成一个概率了，loss function和 likelihood function取反是类似的东西，都可以作为优化的目标。但我感觉&likelihood
function从概率统计上来说，更有理论支持吧。loss function 直接对残差求平方和，直觉上也是挺合理的；当然，对于logistic Regression来说，概率值求残差就说不太通了，更重要的原因是非凸函数，不好求解。
coursera ml的编程题文档确实不错，非常细致，导致后来视频没怎么看就直接把题目下下来做掉了。动手还是挺重要的，比干看理论能有更深入的体会。做完编程题，印像最深刻的就是w0的处理了，正则化的时候要排除掉它。这东西叫bias，或者叫intercept term啥的。因为这个东西，搞得处理起来还挺麻烦的。举个简单情况 y= w１ * x +　ｗ０，这里w0就是一个截距，调节直线不穿过原点。从这个角度想想，w0确实不应该正则化，值是多少就多少。
prml提到两点。应该好理解，意思就是说你可以选择线性变换一下y，或者单独给w0选择一个正则化的系数。
另外一个问题，就是工作中，我们提到的LR模型到底是指Linear Regression 还是 Logistic Regression？一般是指后者，主要用来做ctr（pv /ctr）预估之类的工作，结果可以直接作为一个分数来用，其实就是一个2分类的问题，点击，或者不点击。LR有意思的一点就是如果对“发生比”（odd，发生的概率除以不发生的概率）取自然对数，结果w*x，是线性的。（可以看看李航的《统计学习方法》）
另外一个问题就是正则项了，正则项就是防止over fitting的一个东西。别人口中的L1正则L2正则到底是什么鬼？ L1容易产生稀疏解倒是什么一回事？这个正则项从概率统计来说，属于贝叶斯规则化方法（“我们将高斯先验概率引入到参数中计算MAP（极大后验）估计（而不是极大似然估计）”，在ufldl看到这句话，然后google了一下，找到这篇知乎回答&
可以看看）。
后来看scikit-learn文档的时候，发现了一些新名词，吓得我菊花一紧，以为还有好多算法得学。原来只是换了个马甲而已。
L2 regularization -& ridge&
L1 regularization -& &lasso
mix L1 and L2 &-& elastic Net
LR是线性模型。线性是个很好的特性，但也是假设比较强的特性。不过线性是对于权重来说，并不是对于输入，也就是说y=w *ｘ^2 + b 也是线性的。实践中用LR模型，拟合非线性，通常就是用离散化和特征组合。
离散化：比方说，两个学生高考，一个考98，一个考95，从分数上是有区别，但从能力上不见得有特别大的不同，算得太细反而不准确。我们可以把分数离散化成A、B、C、D四个等级，然后用４个二进制特征编码，比如Ａ＝０００1，Ｂ＝0 0 1 0 。又比方年龄18+啥的，现实中就是这样来分级，只需要级别，具体的数值倒不是人们的关注点。
特征组合：数值特征跟id特征组合一番。比如query类目男装=0，1，女装=1，0。用户购买力=x，用户等级=y，求个笛卡尔积，就能得到4个特征。&购买力, 男装类目& &购买力, 女装类目& &用户等级,男装类目& &用户等级,女装类目&。靠这样的拟合非线性，其实就是补充特征的“AND”关系。
第二个坎就是svm。不过说svm难，其实还是数学求解过程有些难。如果先学了convex optimization（session notes有 精简版的cs229-cvxopt.pdf和cs229-cvxopt2.pdf，挺不错的。单单从内容本身来讲，是要先看这两个再看svm，不过实际上，我觉得这么枯燥的东西比较难看下去，可能先看svm，被里面的对偶折腾得半死的时候，才有兴趣看看凸优化，两个资料最好叉看吧）这门课，估计一下子就秒杀了。不过学一个算法，主要还是要理解算法的idea。我一开始拘泥于数学的推导和求解，结果就踩坑了。svm的思想其实很简单，就是找离边界最近的点，然后从中选出可以使间隔最大的。
对比一下LR。svm关注点更多放在分类边界（更准确的说，就是那些support vectors），而LR考虑的是全部样本。这让我想起photoshop里面的一个查找边缘滤镜。仔细想想，对于分类来说，我们是不是更关注边界的地方？离边界太远的点我们关心么？
用数学语言来描述，就是svm的loss function是higne loss&&罢了，
svm其实就这么简单！
l(y) = max ( 0, 1 - t*y ) 。
一个神奇的max操作，就把离边界太远的点丢掉了（loss=0了，直接丢掉）。
所以cs229的课件，svm看得我蛋疼菊紧，coursera的课程居然就简单地画了个图。&
虽然从图片上看是差不多，但从计算上看，为了去掉那些离边界过远的点，还要用拉格朗日对偶，搞得有点麻烦的。
或者，我们可以从另外一个角度来理解svm。svm训练完的模型也是wTx + b，
我们可以理解为为每个样本x(i)，我们分配了一个αi来指示x(i)到底是不是support vector，通过不断迭代，那些远离边界的点慢慢αi就变成0了。同时，我们也可以发现wTx其实就是support vector的span（线性生成空间）。另外，对比LR，假设xi&∈
R2，我们学出来的模型只有w0，w1，w2三个参数，而svm参数个数是support vector的α个数，可以远远多于2个，形成比LR跟复杂的模型。
对比LR，正则化项C=1/λ
模型结果，LR输出w，svm的w=∑alphas_i * yi * xi，如果你要用核函数的话，还得把xi带上，不能只保存w。
简单小结一下：
svm &关注边界，丢掉离边界太远的点。输入精度低了，输出也一般只输出分类-1或1LR 考虑全部点，输出概率（较精细）
动手实践svm
我之前买了一本《机器学习实战》，我也觉得用里面的代码来学着实现一下svm还是比较不错的。
分类战车有个总结的不错，用的就是《机器学习实战》的例子，代码实现过程中，有些式子还要简单推导一下，里面指点一下，一下子就脑洞大开了，一开始还没搞清楚。
【分类战车SVM】这个系列终于写完了，第一话：开题话http://t.cn/RAl1Qou；第二话：线性分类http://t.cn/RAl1QoT；第三话：拉格朗日对偶http://t.cn/RAl1Qom；第四话：核函数http://t.cn/RAl1QoE；第五话：SMOhttp://t.cn/RAl1Qon；第六话：编程http://t.cn/RAl1QoQ；附录：http://t.cn/RAl1QoR
如果要实现svm，拉格朗日对偶，kkt啥的还是得老老实实搞懂才行的。我以前觉得不完全搞懂，看着伪代码自己实现一下svm没多大意思。结果自己动手写了下，还是有些体会的。《机器学习实战》用的python实现，做了coursera的课程编程作业后，感觉用octave写起来更顺一点，代码比较贴近公式。
function model=svm(X, y, C, max_iter, Kernel)
y( y==0 ) = -1;
%m: # of sample
%n: # of feature dimension
[m,n] = size(X);
alphas = zeros(m,1);
toler=1e-3;
K = zeros(m);
for i = 1:m
for j = i:m
K(i,j) = Kernel(X(i,:)', X(j,:)');
K(j,i) = K(i,j); %the matrix is symmetric
& max_iter
alphaPairsChanged = 0;
for i = 1:m
fXi = f (alphas, y, X, b , i, K);
Ei = fXi - y(i);
if ( y(i) * Ei & -toler
& alphas(i) & C
y(i)* Ei & toler
alphas(i) & 0 )
j = randSelectJ ( i, m );
#j = mod(i + 1 , m ) + 1;
fXj = f (alphas, y, X, b , j, K);
Ej = fXj - y(j);
alpha_i_old = alphas(i);
alpha_j_old = alphas(j);
if ( y(i) ~= y(j) )
L=max( 0, alphas(j) -alphas(i) );
H=min( C, C + alphas(j) -alphas(i) );
L=max(0, alphas(j) + alphas(i) - C);
H=min(C, alphas(j) + alphas(i) );
fprintf(&L==H!\n&);
eta = 2 * K(i,j ) - K(i,i) - K(j, j);
( eta &= 0 )
fprintf(&eta&=0\n&);
alphas(j) -= y(j) * (Ei -Ej) /
tmp_j= clipAlpha( alphas(j), H, L );
alphas(j) = tmp_j;
if ( abs( alphas(j) - alpha_j_old ) & 0.00001 )
alphas(i) += y(j) * y(i) * (alpha_j_old - alphas(j) );
b1 = b - Ei - y(i) * ( alphas(i) - alpha_i_old) * K( i, i ) ...
- y(j) * ( alphas(j) - alpha_j_old ) * K( i, j );
b2 = b - Ej - y(i) * ( alphas(i) - alpha_i_old) * K( i, j
- y(j) * ( alphas(j) - alpha_j_old ) * K( j, j );
if ( 0 & alphas(i) ) & ( C & alphas(i) )
elseif ( 0 & alphas(j) ) & ( C & alphas(j) )
b = (b1+b2)/2;
alphaPairsChanged += 1;
fprintf(&iter: %d,
i:%d, pairs changed %d\n&, iter, i, alphaPairsChanged);
if exist('OCTAVE_VERSION')
fflush(stdout);
%END OF IF
%END OF FOR
if alphaPairsChanged == 0
iter += 1;
fprintf( &iteration number : %d\n&, iter);
idx = alphas & 0;
model.idx=
model.X= X(idx,:);
model.y= y(idx);
model.kernelFunction = K
model.alphas= alphas(idx);
model.w = ((alphas.*y)'*X)';
模型还包含原始的X,y（当然，只要存support vector的，如果不用kernel，那也可以直接求最后的w）&
y取值{-1，1}，当然，只是为了计算方便。不过实现的时候还是踩到坑，没有发现随便拿来的数据里面y居然是{ 0,1 } 的。打印调试信息才恍然大悟。
y取值 { 0，1 }&
我最开始的时候觉得svm牛B是因为可以用kernel。那kernel 是svm专属的么？　不是。　那LR为啥不用kernel？　《》视频里说是求解效率不高。暂时也不求甚解了。
参考知识库
* 以上用户言论只代表其个人观点，不代表CSDN网站的观点或立场
访问：277347次
积分：3730
积分：3730
排名：第7671名
原创：92篇
转载：11篇
评论：173条
囧轩，男。
不是信科，只是软院。
不是校队，只是伪ACMer。
不是牛人，只是鸟人。
时运不济，命途多舛。
沒文化，学历低，没钱读研。
苦逼中的2B青年一枚，2B中的戰鬥機
PS：哥的id是Dinosoft，是dinosaur的谐音，恐龙是也.
- 深圳企鹅公司实习 - 杭州某工地搬砖,边搬砖边自学机器学习ing。。
(1)(2)(1)(1)(1)(1)(1)(2)(1)(1)(1)(1)(1)(1)(1)(3)(2)(1)(7)(3)(1)(1)(2)(1)(4)(7)(3)(2)(1)(1)(2)(5)(4)(26)(1)(5)(5)}