深度学习：Hinton_Science_Reducing the dimensionality of data with neural networks

近日，闲来得空，又不停的听到Deep learning （DL）相关的突破~

故来研究下Deep learning的相关东西~

在Deep learning 的学习资源中找到，关于Deep belief network的相关资源

http://www.cs.toronto.edu/~hinton/MatlabForSciencePaper.html

这个资源的下载并运行，有一个需要注意的地方，就是数据文件：

要使用gunzip train-images-idx3-ubyte.gz 进行解压~

若使用winzip解压后，会损坏相关数据文件~

导致matlab code 中fopen文件 有错误~

 

本code涉及到的paper是2006 Science上的Hinton这篇:“reducing the dimensionality of data with neural networks”

 这篇paper来做什么的？（摘要）

通过一个小的中间层来重构高维输入向量，训练一个多层神经网络，最终使得高维数据可以转化为低维信号~

原有神经网络（Neural network, NN）求解权重时，存在的问题：利用梯度下降来求解权重~  但是严重依赖于初始化权重的好坏~

这篇paper描述一种有效地方法，来初始化权重，利用深度自解码网络（Deep autoencoder networks）来学习低维信号~

这种降维方法，比PCA(principal compenent analysis)效果要好的多~

 

降维有助于分类、可视化、交流和高维信号的存储~

一个简单常用的方法就是PCA,，找到数据集中最大方差方向.....

这篇paper描述一种非线性的PCA 的推广，利用一个自适应的、多层的编码网络，达到降维的目的。类似地，解码网络来重建数据~

在这两种网络中，随机初始化权重，通过最小化原始数据及其重建数据之间的差异，进行训练。

利用链规则来反馈错误，首先通过解码网络（Decoder），然后通过编码网络（Encoder），可以获得梯度。

多层RBM（Restricted Boltzmann machine）

像素对应着可见单元（v）~

特征描述子对应着隐单元h~

因为所有节点单元均为二进制的~  所以采用以下的激发函数来实现

可见层概率：

       

权重更新：

 

疑问：这是如何把样本间建立联系呢？