UFLDL教程之六：自我学习

自我学习步骤：

0 初始化一些常量与参数

输入图像784，类别为5，隐层节点为200

1 生成输入与测试数据集

一共60000张图像，0~4被认为是带标签的，有30596个（均分成两份，一份train_softmax，一份test）
5~9被认为是无标签的，有29404个，用sparseautocoder训练第一层网络

2 用无监督的数据集训练稀疏自编码器

用minFunc来训练，迭代400次，得到最优参数。这个过程比较久，大约25min。然后显示提取的笔画特征

3 从有监督的数据集提取特征

也就是分别算出训练集和测试集在该网络的激活值们

4 训练softmax分类器

将提取的 train 激活值作为softmax层的输入，用minFunc训练，迭代100次，获得softmax模型参数，这样三层网络就建立起来了。

5 测试
用test data进行整个网络的测试，

准确率大约是98.202379%，很不错的样子，如果用来识别车型也能达到这个效果，我就啥都不用再干，毕设就完成了。

 　　

 stlExercise.m:

%  STEP 2: Train the sparse autoencoder
%  This trains the sparse autoencoder on the unlabeled training
%  images. 

%  Randomly initialize the parameters
theta = initializeParameters(hiddenSize, inputSize);

%% ----------------- YOUR CODE HERE ----------------------
%  Find opttheta by running the sparse autoencoder on
%  unlabeledTrainingImages

opttheta = theta; addpath minFunc/options.Method = 'lbfgs';options.maxIter = 400;options.display = 'on';[opttheta, loss] = minFunc( @(p) sparseAutoencoderLoss(p, ...      inputSize, hiddenSize, ...      lambda, sparsityParam, ...      beta, unlabeledData), ...      theta, options);
%% STEP 5: Testing 

%% ----------------- YOUR CODE HERE ----------------------
% Compute Predictions on the test set (testFeatures) using softmaxPredict
% and softmaxModel


[pred] = softmaxPredict(softmaxModel, testFeatures);
feedForwardAutoencoder.m:
%% ---------- YOUR CODE HERE --------------------------------------
%  Instructions: Compute the activation of the hidden layer for the Sparse Autoencoder.
activation  = sigmoid(W1*data+repmat(b1,[1,size(data,2)]));