可视化自编码器训练结果
来源:互联网 发布:药智网红外光谱数据库 编辑:程序博客网 时间:2024/05/18 17:59
训练完(稀疏)自编码器,我们还想把这自编码器学到的函数可视化出来,好弄明白它到底学到了什么。我们以在10×10图像(即n=100)上训练自编码器为例。在该自编码器中,每个隐藏单元i对如下关于输入的函数进行计算:
我们将要可视化的函数,就是上面这个以2D图像为输入、并由隐藏单元i计算出来的函数。它是依赖于参数的(暂时忽略偏置项bi)。需要注意的是,可看作输入的非线性特征。不过还有个问题:什么样的输入图像可让得到最大程度的激励?(通俗一点说,隐藏单元要找个什么样的特征?)。这里我们必须给加约束,否则会得到平凡解。若假设输入有范数约束,则可证(请读者自行推导)令隐藏单元得到最大激励的输入应由下面公式计算的像素给出(共需计算100个像素,j=1,…,100):
当我们用上式算出各像素的值、把它们组成一幅图像、并将图像呈现在我们面前之时,隐藏单元所追寻特征的真正含义也渐渐明朗起来。
假如我们训练的自编码器有100个隐藏单元,可视化结果就会包含100幅这样的图像——每个隐藏单元都对应一幅图像。审视这100幅图像,我们可以试着体会这些隐藏单元学出来的整体效果是什么样的。
当我们对稀疏自编码器(100个隐藏单元,在10X10像素的输入上训练 )进行上述可视化处理之后,结果如下所示:
上图的每个小方块都给出了一个(带有有界范数 的)输入图像,它可使这100个隐藏单元中的某一个获得最大激励。我们可以看到,不同的隐藏单元学会了在图像的不同位置和方向进行边缘检测。
显而易见,这些特征对物体识别等计算机视觉任务是十分有用的。若将其用于其他输入域(如音频),该算法也可学到对这些输入域有用的表示或特征。
中英文对照
- 可视化 Visualizing
- 自编码器 Autoencoder
- 隐藏单元 hidden unit
- 非线性特征 non-linear feature
- 激励 activate
- 平凡解 trivial answer
- 范数约束 norm constrained
- 稀疏自编码器 sparse autoencoder
- 有界范数 norm bounded
- 输入域 input domains
- 可视化自编码器训练结果
- 可视化自编码器训练结果
- 可视化自编码器训练结果
- Stanford UFLDL教程 可视化自编码器训练结果
- 稀疏自编码器 栈式自编码器 深度学习预训练
- 1TensorFlow实现自编码器-1.6TensorFlow实现单隐层自编码器-启动会话训练模型
- UFLDL稀疏自编码器练习第一步:生成训练集
- 1TensorFlow实现自编码器-1.4 TensorFlow实现降噪自动编码器--运行会话,训练模型
- 自编码器
- 自编码器
- 自编码器
- Caffe学习笔记(4) -- 可视化训练结果
- 自编码器与堆叠自编码器简述
- 自编码器与堆叠自编码器简述
- 对抗自编码器指南之一:自编码器
- 利用caffe日志进行测试精度训练损失等的画图(caffe训练结果可视化)
- UFLDL矢量化编程练习:用MNIST数据集的稀疏自编码器训练实现
- 自编码器Autoencoders
- 如何实现图片转文字的简单方法
- 树状结构存储
- Spark结构式流编程指南
- Servlet、Struts2、SpringMVC执行流程
- xstream解析
- 可视化自编码器训练结果
- Poco学习资料
- Android Studio Gradle优化
- 排列在接口测试中的应用
- ios开发使用CGContextRef画图
- 应用Druid监控SQL语句的执行情况
- 小松博客修改成https
- iOS开发关于集成第三方短信通知
- unity-随笔2