更新 12月5日汇报.md

12月5日汇报.md

@@ -79,18 +79,18 @@ def adjust_labels(proto_selected, labels_proto):
 
 1️⃣**最小化样本与最相似的 K 个原型之间的距离，最大化与不相似的原型之间的距离**
 
-假设有一个样本$$x_i$$ ，它与$$K$$个原型的相似度分别为$$s_{i1},s_{i2},...,s_{iK}$$。可以设计如下损失函数：
+假设有一个样本$x_i$ ，它与$$K$$个原型的相似度分别为$s_{i1},s_{i2},...,s_{iK}$。可以设计如下损失函数：
 $$
 Loss_i=∑_{k=1}^Kw_k⋅∥x_i−μ_k∥2
 $$
-其中，$$w_k$$是与原型 $$μ_k$$相关的权重（例如与距离成反比），$$∥⋅∥$$是距离度量。
+其中，$w_k$是与原型 $μ_k$相关的权重（例如与距离成反比），$∥⋅∥$是距离度量。
 
 总的损失为最小化样本与最相似的 K 个原型之间的距离，又最大化样本与不相似的原型之间的距离：
 
 $$
 \mbox{Total Loss}=∑_{k=1}^Kw_k⋅∥x_i−μ_k∥^2+λ⋅∑_{k=K+1}^Mmax(0,\alpha-∥x_i−μ_k∥^2)
 $$
-第二项为最大化样本与不相似原型（第 K+1 到第 M 个原型）之间的距离，$$λ$$ 是调节两部分之间平衡的超参数，$$\alpha$$是推远距离的阈值。
+第二项为最大化样本与不相似原型（第 K+1 到第 M 个原型）之间的距离，$λ$ 是调节两部分之间平衡的超参数，$\alpha$是推远距离的阈值。
 
 通过最小化这个损失函数，我们可以确保每个样本与多个原型保持一定的关系，而不是仅仅依赖于最相似的一个原型。