UFLDL教程Exercise答案(2)：Vectorization

最新推荐文章于 2018-04-14 20:41:38 发布

ClaireQi

最新推荐文章于 2018-04-14 20:41:38 发布

阅读量545

点赞数

分类专栏：深度学习文章标签： matlab 深度学习

本文链接：https://blog.csdn.net/wangxiao7474/article/details/53258439

版权

深度学习专栏收录该内容

17 篇文章 0 订阅

订阅专栏

教程地址：http://deeplearning.stanford.edu/wiki/index.php/UFLDL_Tutorial

Exercise地址：http://deeplearning.stanford.edu/wiki/index.php/Exercise:Vectorization

代码

在这里只需修改train.m中参数的设置和sampleIMAGES.m中样本集生成的代码，其他代码在Exercise（1）中已向量化，不需进行修改。

修改参数（train.m）

%% STEP 0: Here we provide the relevant parameters values that will
%  allow your sparse autoencoder to get good filters; you do not need to 
%  change the parameters below.

visibleSize = 28*28;   % number of input units 
hiddenSize = 196;     % number of hidden units 
sparsityParam = 0.1;   % desired average activation of the hidden units.
                     % (This was denoted by the Greek alphabet rho, which looks like a lower-case "p",
		     %  in the lecture notes). 
lambda = 3e-3;     % weight decay parameter       
beta = 3;            % weight of sparsity penalty term

生成样本集（sampleIMAGES.m）

取MNIST dataset 中的前10000幅图像作为样本集

 % load images from disk 
IMAGES = loadMNISTImages('train-images.idx3-ubyte');

patchsize = 28;   
numpatches = 10000;

%% ---------- YOUR CODE HERE --------------------------------------
patches = IMAGES(:,1:numpatches);  %取前10000幅图像作为样本

注：

由于样本数据集比较大，在运行时最好将STEP 3:Gradient Checking 注释掉，否则运行会很慢。