关闭

Deep learning-------------Self-Taught Learning to Deep Networks

477人阅读 评论(0) 收藏 举报
分类:

Abstract:

如果我们利用自编码器来学习输入至 softmax 或 logistic 回归分类器的特征,那么这些特征仅利用未标注数据学习获得。在本节中,我们描述如何利用已标注数据进行微调,从而进一步优化这些特征。如果有大量已标注数据,通过微调就可以显著提升分类器的性能。

在自我学习中,我们首先利用未标注数据训练一个稀疏自编码器。随后,给定一个新样本 \textstyle x,我们通过隐含层提取出特征 \textstyle a。上述过程图示如下:

STL SparseAE Features.png


我们感兴趣的是分类问题,目标是预测样本的类别标号 \textstyle y。我们拥有标注数据集 \textstyle \{ (x_l^{(1)}, y^{(1)}), (x_l^{(2)}, y^{(2)}), \ldots (x_l^{(m_l)},y^{(m_l)}) \},包含 \textstyle m_l 个标注样本。此前我们已经说明,可以利用稀疏自编码器获得的特征 \textstyle a^{(l)} 来替代原始特征。这样就可获得训练数据集 \textstyle \{(a^{(1)},y^{(1)}), \ldots (a^{(m_l)}, y^{(m_l)}) \}。最终,我们训练出一个从特征 \textstyle a^{(i)} 到类标号 \textstyle y^{(i)} 的 logistic 分类器。为说明这一过程,我们按照神经网络一节中的方式,用下图描述 logistic 回归单元(橘黄色)。

STL Logistic Classifier.png


考虑利用这个方法所学到的分类器(输入-输出映射)。它描述了一个把测试样本 \textstyle x 映射到预测值 \textstyle p(y=1|x) 的函数。将此前的两张图片结合起来,就得到该函数的图形表示。也即,最终的分类器可以表示为:

STL CombinedAE.png


该模型的参数通过两个步骤训练获得:在该网络的第一层,将输入 \textstyle x 映射至隐藏单元激活量 \textstyle a 的权值 \textstyle W^{(1)} 可以通过稀疏自编码器训练过程获得。在第二层,将隐藏单元 \textstyle a 映射至输出 \textstyle y 的权值 \textstyle W^{(2)} 可以通过 logistic 回归或 softmax 回归训练获得。


这个最终分类器整体上显然是一个大的神经网络。因此,在训练获得模型最初参数(利用自动编码器训练第一层,利用 logistic/softmax 回归训练第二层)之后,我们可以进一步修正模型参数,进而降低训练误差。具体来说,我们可以对参数进行微调,在现有参数的基础上采用梯度下降或者 L-BFGS 来降低已标注样本集 \textstyle \{ (x_l^{(1)}, y^{(1)}), (x_l^{(2)}, y^{(2)}), \ldots (x_l^{(m_l)}, y^{(m_l)}) \} 上的训练误差。


使用微调时,初始的非监督特征学习步骤(也就是自动编码器和logistic分类器训练)有时候被称为预训练。微调的作用在于,已标注数据集也可以用来修正权值 \textstyle W^{(1)},这样可以对隐藏单元所提取的特征 \textstyle a 做进一步调整。


到现在为止,我们描述上述过程时,都假设采用了“替代 (Replacement)”表示而不是“级联 (Concatenation)”表示。在替代表示中,logistic 分类器所看到的训练样本格式为 \textstyle (a^{(i)}, y^{(i)});而在级联表示中,分类器所看到的训练样本格式为 \textstyle ((x^{(i)}, a^{(i)}), y^{(i)})。对级联表示同样可以进行微调(在级联表示神经网络中,输入值 \textstyle x_i 也直接被输入至 logistic 分类器。对此前的神经网络示意图稍加更改,即可获得其示意图。具体的说,第一层的输入节点除了与隐层联接之外,还将越过隐层,与第三层输出节点直接相连)。但是对于微调来说,级联表示相对于替代表示几乎没有优势。因此,如果需要开展微调,我们通常使用替代表示的网络(但是如果不开展微调,级联表示的效果有时候会好得多)。


在什么时候应用微调?通常仅在有大量已标注训练数据的情况下使用。在这样的情况下,微调能显著提升分类器性能。然而,如果有大量未标注数据集(用于非监督特征学习/预训练),却只有相对较少的已标注训练集,微调的作用非常有限。


0
0

查看评论
* 以上用户言论只代表其个人观点,不代表CSDN网站的观点或立场
    个人资料
    • 访问:28666次
    • 积分:538
    • 等级:
    • 排名:千里之外
    • 原创:25篇
    • 转载:14篇
    • 译文:0篇
    • 评论:4条