稀疏自编码
来源:互联网 发布:维护数据库培训班 编辑:程序博客网 时间:2024/06/18 13:21
1 怎样理解稀疏性?为什么要加上稀疏性限制?目的是什么?当神经网络遇到什么问题时需要加上稀疏性?
答:自编码神经网络是一种无监督学习算法,它使用BP算法,让目标值等于输入值(O=I)。
那么问题来了,为什么要这样做?直接用I不就好了?
的确,我们并不关心O,我们关心的是中间层S。
中间层S有降维作用,但这种降维与PCA不同,PCA是提取数据的主要特征,直接去掉次要特征,而这里的S层是学习了数据更加本质的结构!比如:我们输入是6维的数据,现在我们强迫这个网络用3维的数据去表示本来的6维数据,然后又用这3维的数据去还原原来的6维数据,为了完成这个过程,网络不得不寻找数据中存在的一些数据结构。所以,S层的这些数据,就是神经网络学习得到的输入数据的更本质的特征。
但是,当隐藏层神经元数量过大时,这个学习过程也是相当费劲的,所以,我们一般在隐藏层神经元上加上稀疏性限制。怎么理解这个稀疏性?每一层的输入神经元到中间的S之后,会输出一个激活值,当激活值接近1时,我们认为被激活,也就是相当于有效的特征,反之,如果激活值接近0,那就是被抑制,相当于这些特征对后续的影响无足轻重。 那么使得输入神经元传到S的激活值被抑制的限制,我们就作系数限制。目的就是,在得到输入数据最本质的特征的同时,减少很多不必要的学习过程。
2 怎样做到稀疏性?
①计算隐藏层各神经元的平均激活度,得大概知道这些神经元活跃的范围。
②加入一条限制,
然而问题又来了,
- 稀疏自编码
- 稀疏自编码
- 稀疏自编码
- 稀疏自编码
- 稀疏自编码
- 稀疏自编码
- 稀疏编码自编码表达
- 【UFLDL】稀疏自编码网络
- 自编码算法与稀疏性
- 自编码算法与稀疏性
- 自编码算法与稀疏性
- 深度学习(十二)稀疏自编码
- 自编码算法与稀疏性
- 关于稀疏自编码-------“搞基”总结
- UFLDL练习-稀疏自编码实现
- 【机器学习】tensorflow: 稀疏自编码
- 自编码算法与稀疏性
- 自编码算法与稀疏性
- bzoj 1293: [SCOI2009]生日礼物 STL
- centos7 mysql数据库安装和配置
- QT qt5使用qdebug()输出中文 乱码
- 检索框的实现
- 最全面的Java多线程用法解析
- 稀疏自编码
- UVa213-Message Decoding
- Foxit MobilePDF SDK_如何快速创建一个功能丰富的PDF 阅读器
- C#详解值类型和引用类型区别
- oracle 视图
- 搭建Lua开发环境
- 技术文章 | JavaScript与PHP到底有何不同?
- 怎么在游戏里制作出一张合格的720全景
- 关于安卓保存网络图片并更新图库