跳转至

ML |自动编码器

原文:https://www.geeksforgeeks.org/ml-auto-encoders/

神经网络的一个典型应用是监督学习。它包括训练数据包含一个输出标签。神经网络试图学习从给定输入到给定输出标签的映射。但是如果输出标签被输入向量本身代替了呢?然后网络将尝试找到从输入到自身的映射。这将是一个平凡映射的恒等式。

但如果不允许网络简单复制输入,那么网络将被迫只捕捉显著特征。这种限制为未知的神经网络开辟了一个不同的应用领域。主要应用是降维和特定数据压缩。

首先在给定的输入上训练网络。该网络试图从它拾取的特征中重构给定的输入,并给出作为输出的输入的近似值。训练步骤包括误差的计算和误差的反向传播。自动编码器的典型架构类似于瓶颈。

自动编码器的示意结构如下:

网络的编码器部分用于编码,有时甚至用于数据压缩目的,尽管与其他通用压缩技术如 JPEG 相比,它不是很有效。编码是通过网络的编码器部分实现的,该部分在每一层中具有数量逐渐减少的隐藏单元。因此,这一部分被迫只提取数据中最重要和最具代表性的特征。网络的后半部分执行解码功能。该部分在每一层中具有越来越多的隐藏单元,因此试图从编码数据中重建原始输入。****

因此,自动编码器是一种无监督学习技术。

*训练用于数据压缩的自动编码器:*对于数据压缩过程,压缩最重要的方面是压缩数据重建的可靠性。这一要求决定了自动编码器的结构是一个瓶颈。

*第一步:对输入数据进行编码*

自动编码器首先尝试使用初始化的权重和偏差对数据进行编码。

*第二步:解码输入数据*

自动编码器试图从编码数据中重建原始输入,以测试编码的可靠性。

*步骤 3:反向传播错误*

在重建之后,计算损失函数以确定编码的可靠性。产生的错误被反向传播。

多次重复上述训练过程,直到达到可接受的重建水平。

在训练过程之后,仅保留自动编码器的编码器部分,以对训练过程中使用的类似类型的数据进行编码。

约束网络的不同方法如下

  • *保持较小的隐藏层:*如果每个隐藏层的大小保持尽可能小,那么网络将被迫只拾取数据的代表性特征,从而对数据进行编码。
  • *正则化:*在该方法中,将损失项添加到成本函数中,这鼓励网络以不同于复制输入的方式进行训练。
  • *去噪:*约束网络的另一种方法是向输入添加噪声,并教网络如何从数据中去除噪声。
  • *调整激活函数:*该方法涉及改变各个节点的激活函数,使得大部分节点处于休眠状态,从而有效减小隐藏层的大小。

自动编码器的不同变体是:-

  • *去噪自动编码器:*这种类型的自动编码器在部分损坏的输入上工作,并训练以恢复原始的未失真图像。如上所述,这种方法是限制网络简单复制输入的有效方法。
  • *稀疏自动编码器:*这种类型的自动编码器通常包含比输入更多的隐藏单元,但一次只允许有几个处于活动状态。这种特性被称为网络的稀疏性。网络的稀疏性可以通过手动调零所需的隐藏单元、调整激活函数或在成本函数中添加损失项来控制。
  • *变分自动编码器:*这种类型的自动编码器对潜在变量的分布做出强假设,并在训练过程中使用随机梯度变分贝叶斯估计器。它假设数据是由定向图形模型生成的,并试图学习条件属性q_{\theta}(z|x)的近似q_{\phi}(z|x),其中\phi\theta分别是编码器和解码器的参数。


回到顶部