自编码器

缺乏、安全感 2021-11-02 04:38 441阅读 0赞

无监督学习介绍  
Markdown Code  
内容简介  
目前许多有监督学习算法，如 SVM，DNN 或是 boosting，决策树等，都在工业界分类或决策任务上取得了不错的成果。但是这些有监督学习需要大量带标签的数据，对数据进行上标签又是一个需耗费人力与时间的任务。有许多数据都是不带标签的，因此我们可利用无监督学习对其进行聚类或特征提取。利用无监督学习得到的特征结果也可应用到带标记数据较少的有监督学习任务中，提高其分类性能。

引用目前热门的深度学习领域大牛 LeCun, Bengio, Hinton 在国外著名期刊 Nature 的话，我们就可得知无监督学习在机器学习领域的重要性：

"We expect unsupervised learning to become far more important in the longer term. Human and animal learning is largely unsupervised: we discover the structure of the world by observing it, not by being told the name of every object" - LeCun, Bengio, Hinton, Nature 2015

这门课程，我们将介绍基于无监督学习的一个简单应用—— 自编码器 ，一个可用于降维或者提取特征的神经网络。

知识点  
无监督学习 Unsupervised learning  
聚类 Clustering  
特征提取 Features extraction  
自编码器 Autoencoder  
实验原理  
无监督学习  
无监督学习的目的是利用无标记数据推断出数据内部隐藏的结构特征。与有监督学习从有标记的数据中学到一个有正确答案的模型不同，由于无监督学习的数据是未经标记的，因此在学习过程中就没有所谓误差或者指导信号去评估一个可能的解决方案。

我们可以从下图中看出无监督学习与有监督学习的区别：

与有监督学习有明确的目标输出不同，无监督学习没有给定目标输出，而是去提取数据本身的静态结构特征，如在上图中，有监督学习的目的是可对输入的图形进行分类，区分这些图形是什么形状的。

但是无监督学习开始训练前，对于机器来说这些图形没有什么区别，但在经过训练后，我们能够获得这些数据的结构特征，根据这些图形各自的特点，根据图形的相似点对其进行聚类。

要注意的是，在无监督学习之后，我们也不知道这些图形分别属于什么几何形状，仅是根据物以类聚的概念，将其划分为几个不同的集群。

如上描述的，就是一个常见的无监督学习 —— 数据聚类。在人工神经网络中，自我组织映射和适应性共振理论 也是常用的无监督学习，也有许多网络是利用无监督学习对数据进行特征提取，如在图像识别的应用中，可用无监督学习提取图片中物体的边缘特征。

自编码器

在神经网络实现手写字符识别系统这门课程中，我们已经介绍了如何运用有监督学习的人工神经网络。在该门课中我们介绍了，如何利用目标输出与网络实际输出的误差进行反向传播，调节每一层间的权值矩阵。

自编码器是基于无监督学习为对数据进行更加有效的编码的应用， 自编码器将目标输出等同于输入，同样也是使用误差反向传播机制进行权值调整。自编码器 是一个数据降维压缩算法，算法训练的结果是拟合一个恒等函数 hw,b(x)=xhw,b(x)=x, 即通过自编码器的训练后，decoder(encoder(x))=xdecoder(encoder(x))=x。

目前自编码器主要有数据降噪和为数据可视化而降维两个方面的应用。这里我们设置的自编码器是具有一层隐藏节点的三层全连接神经网络，实现的是为数据可视化而降维这方面的应用，上图中展示的就是对数字图像 '3' 降维后载重现的效果。

本次课程中，我们实现的是基于minist手写体数字数据库中的 500500 张图片，每个数字 (0−9)(0−9) 都有其对应的 5050 张手写体图片，图片的维度为 28∗2828∗28，在我们设置的网络中，手写体数字图片是作为网络的外部输入结点，内部输入节点设置为 11 个，隐藏层结点为 3232 个，输出结点与外部输入节点个数一致。 即使通过我们的训练的自编码器，可将原始数据的维度从 784784 降维至 3232。

在我们的自编码器的三层神经网络中，根据网络的输入前向计算网络中所有节点的值时，所用的激活函数为 sigmoidsigmoid 函数：

f:sigmoid(x)=11+e−x  
f:sigmoid(x)=11+e−x  
\`

sigmoid function

故在前向计算过程中，神经网络中隐藏层节点的值为:

hi=f(zhi)  
hi=f(zih)  
zhi=∑j=1nxj⋅wj,i+a⋅wn+1,i  
zih=∑j=1nxj⋅wj,i+a⋅wn+1,i  
输出层的节点值为：

x̂ i=f(zx̂ i)  
x^i=f(zix^)  
zx̂ i=∑j=1mhj⋅wj,i  
zix^=∑j=1mhj⋅wj,i  
自编码器网络计算实际输出与输入值之间的误差函数（Cost function）CC 为：

C=12∑i=1n(x̂ i−xi)2  
C=12∑i=1n(x^i−xi)2  
故在误差反向传播时，第 ll 层的 δδ 值为：

δli=f˙(zli)⋅∑j=1nl+1wlji⋅δl+1j  
δil=f˙(zil)⋅∑j=1nl+1wjil⋅δjl+1  
这里所实现的自编码器并没有对编码层（隐藏层）作稀疏限制，若加上稀疏限制使编码层具有稀疏性，则在误差代价函数和误差反向传播就要做相应的修改。

稀疏性：只有很少的几个非零元素或只有很少的几个远大于零的元素

实验总结  
本节课我们学习了无监督学习和自编码器的概念，并且实现了再无监督学习中需要运用到的 前向计算 和 误差反向传播 这两个函数。使用矩阵运算能使我们的训练过程更加快速。下节课我们将开始自编码器的实现。

转载于:https://www.cnblogs.com/feitianhou/p/10908576.html