本文介绍稀疏自编码这一无监督学习算法的基本原理，包括其目标、损失函数及实现过程。稀疏自编码旨在通过少量隐含层单元表示输入特征，降低数据维度并保持关键信息。
基础：机器学习
稀疏自编码：
神经网络简介
反向传导算法
梯度检验和高级优化
自编码器与稀疏性
练习：
- 产生训练集
- 稀疏自编码目标（损失函数）
- 梯度检验
- 训练稀疏自编码器
可视化结果
所谓稀疏自编码就是一种无监督学习算法，使用BP，将目标值设为输入值
目标：hW,b(X)≈x
稀疏性：最少的隐含层单位来表示输入层特征，也就是让所有隐含层单位平均激活值接近0。
损失函数（代价函数）：
稀疏自编码器的目标就是用尽可能少的隐含层表示输入的特征，将数据维度降低。
矢量化编程加快速度
主成分分析与白化
Softmax回归
自我学习与无监督特征学习
处理大型图像：卷积特征提取、池化
自编码线性解码器
使用分类深度网络
RBM、DBN等网络
扫一扫
3681
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
