深度学习基础（七）Self-Taught Learning to Deep Networks

有了自学算法去提取特征，我们可以进一步扩展模型

这个模型是在特征模型的基础上多了一步分类器，这个分类器的引入使得我们可以进一步调整参数。

微调（fine-tune）指的的是通过输入有标记的

再通过牛顿下降法来调整参数从而减小训练误差

什么时候可以使用微调呢？当然是有大量的有标记样本啦。

上面这个模型试简单的三层神经网络

因为每一个隐层代表了对前一层的一次非线性变换，简单的三层模型最后输出的激活函数只与前一层相关，也就只经过了一层的非线性变换，如果能够增加隐层，就能够学习更加复杂的的关系，这也是为什么不用线性变换的原因，线性变换再经过线性变换还是线性的。

深层网络由如下好处：

1.由于隐层增加了，它可以学习更加复杂的函数。具体来说，一个k-1层的网络要想学习到和k层网络一样复杂的模型，得增加指数大小的隐层。

2.越深层，最后学到的特征越抽象

3.神经元计算也是多层的，这是深层神经网络的生物基础

神经网络的缺陷：

1.标记数据的难以获取

2.局部最优问题，浅层的神经网络容易收敛，但是深层神经网络就会有不收敛的问题，深层神经网络的高层监督学习涉及到高阶非凸最优化问题

3.梯度扩散问题。深度过多时，BP算法计算损失函数，梯度值随着深度慢慢向前而显著下降，这样就导致前面基层的网络对于整体的最终损失函数的贡献十分小。我们可以增加神经元的个数，但是这样就成了浅层。

所以我们怎么训练深层神经网络？

其中以个比较成功的方法是贪婪逐层训练法，也就是每次只训练网络的一层，从前往后逐层训练，这种训练可以试监督的也可是是无监督的，但是一般是无监督的，初始化之后再微调。成功的逐层训练方法由以下几个因素构成：

1.数据的有效性，有标记的数据很难获取。通过无标记的数据来学习一个很好的初始权值，我们的算法能够学习和发现更好的模式。

2.更好的局部最优。通过无标记数据的训练，权重在参数空间后更好的初始化了。前提假设是，通过无标记数据的训练，这些信息提供了很好的先验信息使我们去逼近一个局部最优解。

下面我们介绍stacked autoencoder

也就是包含多个稀疏自编码器的神经网络