更新 12月5日汇报.md

12月5日汇报.md

@@ -79,7 +79,7 @@ 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：
 $$
 Loss_i=∑_{k=1}^Kw_k⋅∥x_i−μ_k∥2
 $$
@@ -88,7 +88,7 @@ $$
 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：
 
 $$
-\mbox{Total Loss}=∑_{k=1}^Kw_k⋅∥x_i−μ_k∥^2+λ⋅∑_{k=K+1}^Mmax(0,\alpha-∥x_i−μ_k∥^2)
+\Total Loss=∑_{k=1}^Kw_k⋅∥x_i−μ_k∥^2+λ⋅∑_{k=K+1}^Mmax(0,\alpha-∥x_i−μ_k∥^2)
 $$
 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。