matlab sae模型,深度学习笔记(三):SAE模型
Stacked Autoencoder(SAE)模型是一个由多层稀疏自编码器组成的深度神经网络模型,其前一层自编码器的输出作为其后一层自编码器的输入,最后一层是个分类器(logistic分类器或者softmax分类器)
(一)sparse autoencoder算法
1.概念:sparse autoencoder是一种非监督学习算法,需要满足以下两种约束:
(1)autoencoder:输入等于输出
(2)sparse:隐层的每个神经元的响应是稀疏的,也就是大部分时间响应为0,也就是平均响应
尽可能小(其中m为训练样本个数)
2.代价函数
其中:
(1)第一项为autoencoder的约束项;
(2)第二项为惩罚项目,防止过拟合;
(3)第三项为稀疏的约束,是一个KL散度的衡量标准:
3.最优化方案:该约束函数是一个非凸函数,采用批量梯度下降算法
其中:
至于梯度可以用backpropagation(BP)算法来求解;
(二)logistic回归模型与softmax回归mox
1.logistic回归模型
(1)适用于二分类;
(2)模型函数:
(3)代价函数(最大似然):
(4)最优化方案:梯度下降算法;
2.softmax回归模型
(1)适用于多分类;
(2)模型函数:
(3)代价函数:
(4)最优化方案:梯度下降算法;
3.softmax回归分类器适用于k个互斥的类别的分类;k个logistic回归分类器适用k个并不完全互斥的类别的分类;
(三)SAE模型
(1)预训练:利用无标签数据对每一层的参数用sparse autoencoder训练初始化;
(2)微调:利用有标签数据对整个深度神经网络进行微调;
matlab sae模型,深度学习笔记(三):SAE模型相关推荐
- 深度学习笔记三:反向传播(backpropagation)算法
接上一篇的最后,我们要训练多层网络的时候,最后关键的部分就是求梯度啦.纯数学方法几乎是不可能的,那么反向传播算法就是用来求梯度的,用了一个很巧妙的方法. 反向传播算法应该是神经网络最基本最需要弄懂的方 ...
- python学习模型_python学习笔记(IO模型)
1.IO模型介绍: io模型一般有五种: * blocking IO * nonblocking IO * IO multiplexing * signal driven IO * asynchron ...
- 深度学习笔记三:Softmax Regression
Softmax回归模型 整体理解 回归与分类 借用网上一个帖子的回复:分类问题和回归问题都要根据训练样本找到一个实值函数g(x). 回归问题的要求是:给定一个新的模式,根据训练集推断它所对应的输出y( ...
- DCF(Discounted Cashflow)模型(学习笔记三)
概述: DCF 现金流折现模型分为两个部分,现金流预测和折现率计算. 现金流预测运用的公式是自由现金流的公式,而一开始我们需要从营业收入入手进行估计.大概流程为:营业收入预测,营业成本预测,营业税金及 ...
- 深度学习笔记:优化方法总结(BGD,SGD,Momentum,AdaGrad,RMSProp,Adam)
深度学习笔记(一):logistic分类 深度学习笔记(二):简单神经网络,后向传播算法及实现 深度学习笔记(三):激活函数和损失函数 深度学习笔记:优化方法总结 深度学习笔记(四):循环神经 ...
- UFLDL深度学习笔记 (三)无监督特征学习
UFLDL深度学习笔记 (三)无监督特征学习 1. 主题思路 "UFLDL 无监督特征学习"本节全称为自我学习与无监督特征学习,和前一节softmax回归很类似,所以本篇笔记会比较 ...
- 吴恩达深度学习之五《序列模型》学习笔记
一.循环序列模型 1.1 为什么选择序列模型 如图所示是一些序列数据的例子 1.2 数学符号 如图所示,我们用 表示一个序列的第 t 个元素,t 从 1 开始 NLP中一个单词就是一个元素(又称时间 ...
- 深度学习笔记(三):BatchNorm(BN)层
文章目录 一.背景 二.提出 三.原理 四.计算 五.Scale and Shift 六.BN层实现 学习记录: 深度学习笔记(一):卷积层+激活函数+池化层+全连接层 深度学习笔记(二):激 ...
- 神经网络与深度学习笔记汇总三
神经网络与深度学习笔记汇总三 往期回顾 将之前掘金写的学习笔记所遇困难搬到这里,方便查看复习 遇到问题: 异常值处理 学习内容 1..drop() 返回的是一个新对象,原对象不会被改变. 2.遇到问题 ...
最新文章
- 挑战弱监督学习的三大热门问题 AutoWSL2019挑战赛正式开赛
- 如何制定客户留存策略_如何制定品牌营销策略?
- JQuery选择器 属性值 等于 以开头 以结尾 元素选择
- iis7配置php-7,PHP--Windows 7 +IIS7配置
- Drools 6.5.0.Final提供
- mysql查询流程解析及重要知识总结
- python中a and b什么意思_Python中的a+=b和a=a+b之间的区别是什么?
- 列表的下标;查找,判断,增加,删除函数
- Tomcat报错 严重: A child container failed during start
- pch文件找不到的解决办法
- 如何简单的将中文翻译为英文
- 微信公众号自定义服务器,微信公众号自定义服务器的第一次验证
- 第三章 集合的基本概念和运算
- MySQL主从1205报错【转】
- 一、 Hbase特性 3v特性,Volume(量级) Varity(种类) Velocity(速度)
- Oneday01 | ~scanf、冒泡排序、sort排序
- 微信小程序 text 标签小技巧
- 用 CSS 实现一个抽奖转盘(附详细代码+思路)
- 君正平台JZ4775芯片参数详细说明,大家可以看看
- 解决Ubuntu更新后无线网卡不能使用的问题
热门文章
- Vmware 安装 RedFlag-6.x For Linux
- 从零开始学习Linux运维,成为IT领域翘楚(四)
- python编写会计凭证金蝶_如何在金蝶财务软件中录入会计凭证
- ps处理几亿个像素点的照片时,如何保存为几十兆而又很清晰
- 倒脸,洗水洗脚...
- 营销CRM软件(销售管理工具)让客户都成为回头客
- 使用EEGLAB分析脑电数据,情绪图片的ERP成分分析
- uniapp项目中引入iconfont图标
- 完整的连接器设计手册_TCPP01M12解决USB TypeC 连接器设计6大难题
- 直充卡券话费接口API源码分享