从自我学习到深层网络
来源:互联网 发布:天刀太白少女捏脸数据 编辑:程序博客网 时间:2024/05/02 00:34
通过神经网络得出特征,然后通过传统方法分类。特征是重点!
1、通过大量无标注数据、神经网络算法,训练出好的特征->得到W1 b1 W2 b2
目的:数据规模,严重影响分类的准确性,而手动标注和特征选取是非常复杂的工作。故想到利用无标注的海量数据,获得更好的准确性。
对于无标注数据,通过自编码器方式,训练特征模型。可以从x中提取出最优特征a。有时需要对x进行预处理,比如白化(x_rot彼此独立)。如果使用了预处理,必须保存相关参数,比如PCA中的U,用于使用到有标注数据。
方法:1、替代:参考自编码器,将隐藏层的输出a作为新的特征,代替传统的特征x。将(x,y)->(a,y)
2、级联:类似上述,但是保留了特征x。(x,y)->([a,x],y)。这种情况下,x会绕过隐藏层直接和输出层接触
2、通过有标注数据,softmax回归算法,获得(a,y)分类器(SVM、逻辑回归均可)
一旦获得上述的数据,分类很简单,和传统方法一样。使用监督学习的方式训练出分类器。特征好才是真的好!
需要注意,所有数据均可修正theta
3、自学习 vs 半监督学习
比如要求训练一个汽车-火车二分类。
1、自学习:对不同分布、无标注的数据进行训练特征。比如火车,汽车,摩托车、人等等图片。可以从网上下载
2、半监督:同分布,无标注,但范围固定。比如N张火车,N张汽车。
============================以上为自我学习部分,以下到深层网络=================================
1、微调,降低训练误差
1、前面通过无标注数据训练特征时,可以加入有标注数据进行训练。
2、只有大量标注数据清空下,微调效果明显。
- 从自我学习到深层网络
- 从自我学习到深层网络
- 从自我学习到深层网络
- deep learning 从自我学习到深层网络学习
- Stanford UFLDL教程 从自我学习到深层网络
- 从自我学习到深层网络——建立你的第1个深度网络分类器
- 深度学习教程:从感知器到深层网络
- iOS 从点击到启动 (深层 转)
- 网络学习详解-从平凡到独特
- 深层网络
- 从工程到代码的自我分裂
- Java学习从入门到精通[原创]自我感觉特别好
- 从Java到C++——从union到VARIANT与CComVariant的深层剖析
- 自我学习从阅读和记录开始
- Tensorflow学习:使用Tensorflow搭建深层网络分类器
- 【转载】深度学习概述:从感知机到深度网络
- 深度学习概述:从感知机到深度网络
- 深度学习概述:从感知机到深度网络
- HOJ 2713 Matrix1
- 贪心-hdu_1050_Moving Tables
- 非递归遍历二叉树
- Leetcode 349. Intersection of Two Arrays 解题报告 Python Java
- 怎样制作基于Cocos2d-x的SLG游戏-第2章
- 从自我学习到深层网络
- LeetCode 334. Increasing Triplet Subsequence
- 对于MVC的认识
- 百度编辑器Editor 1.4.3.2 asp.net版最新使用方法
- 【C++】:C++之C++的引用
- day02-scala
- plist文件读取
- POJ 3468 A Simple Problem with Integers
- openCV3.0+VS2013的配置