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