UFLDL——Exercise:Self-Taught Learning 自我学习

最新推荐文章于 2016-12-22 22:30:17 发布
最新推荐文章于 2016-12-22 22:30:17 发布
阅读量2k 收藏
点赞数
分类专栏： Programing Exercise 文章标签： UFLDL Self-Taught Learning 自我学习 非监督学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/danieljianfeng/article/details/41913521
版权
本博客介绍了UFLDL教程中的自我学习实验，通过稀疏自动编码学习低维特征，提高了手写数字识别的准确性。实验比较了不同迭代次数对结果的影响，并探讨了无监督特征学习在自学习和半监督学习中的应用。
摘要由CSDN通过智能技术生成

实验要求可以参考deeplearning的tutorial， Exercise:Self-Taught Learning  。本实验和上一个实验一样都是对手写数字0-9的识别，区别在于上一个实验直接把原始图像的像素值作为特征输入到softmax回归进行分类，而本实验通过自学习从原始像素值从学习到维度更低的特征（稀疏自动编码），再交给softmax回归，相当于比之前的实验多了自学习特征的步骤，最后实验显示，加上自学习特征之后模型的正确率更高。

1. 神经网络结构：

实验中为三层神经网络，输入层28*28个neuron，隐含层200个neuron（都不包括bias结点），输出层为10个neuron。

2. 数据：

实验中的数据采用的是MNIST手写数字数据库（0-9手写数字），共6万个手写数据，每个样本是大小为28*28的图片，下图是把训练数据中的前100个手写数据图像进行显示。
 
最低0.47元/天 解锁文章
Danieljf24
关注
专栏目录
UFLDL教程: Exercise:Self-Taught Learning
jiandanjinxin的专栏
06-14 1277
自我学习 Deep Learning and Unsupervised Feature Learning Tutorial Solutions 1.先训练稀疏自编码器提取特征，再把特征和label给softmax分类器进行训练，最后用test数据集进行测试。 2.由于实际应用中找到大量有标注的样本是非常困难的，所有采用先用大量无标注样本来进行无监督训练自编码器，再用自编码器...
UFLDL教程答案(5):Exercise:Self-Taught Learning
JiangV的博客
12-19 2246
matlab 实现无监督训练自编码，再加上softmax对mnist手写数字分类。
Stanford UFLDL教程 Exercise:Self-Taught Learning
GarfieldEr007的专栏
12-06 1282
Exercise:Self-Taught Learning Contents [hide] 1 Overview2 Dependencies3 Step 1: Generate the input and test data sets4 Step 2: Train the sparse autoencoder5 Step 3: Extracting feat
UFLDL教程Exercise答案(5)：Self-Taught Learning
ClaireQi的博客
11-21 595
教程地址：http://deeplearning.stanford.edu/wiki/index.php/UFLDL_Tutorial Exercise地址：http://deeplearning.stanford.edu/wiki/index.php/Exercise:Self-Taught_Learning
UFLDL教程（五）之self-taught learning
weixin_30618985的博客
08-27 308
这里所谓的自学习，其实就是利用稀疏自编码器对无标签样本学习其特征 该自学习程序包括两部分： 稀疏自编码器学习图像特征（实现自学习）---用到无标签的样本集 softmax回归对样本分类---用到有标签的训练样本集 准备工作 下载Yann Lecun的MNIST数据集，本程序用到了如下的两个数据集： 第0步：设置神经网络的结构 该神经网络包括三层： 输入...
UFLDL：Self-Taught Learning
11-07
实验要求可以参考deeplearning的tutorial， Exercise:Self-Taught Learning 。本实验和上一个实验一样都是对手写数字0-9的识别，区别在于上一个实验直接把原始图像的像素值作为特征输入到softmax回归进行分类，而本...
UFLDL exercise6 Self-Taught Learning
04-09
The self-taught learning paradigm with the sparse autoencoder and softmax classifier to build a classifier for handwritten digits.
Ufldl Exercise:Self-Taught Learning
zfq的专栏
12-22 456
将稀疏自编码器与softmax回归结合起来，形成一个简单的三层网络，数据还是mnist，即第一层为28*28个神经元的输入层，中间一个200个神经元的隐藏层，后面再跟一个softmax的5分类loss层。 首先用稀疏自编码的方法无监督训练隐藏层，数据为5-9label的图像，将隐藏层的权值W1训练成下面这样的模式（之前已经做过的）： 为200张图片，每张图片都是一个神经元的权值按顺序组成的数
UFLDL Exercise:Self-Taught Learning
YSM'wall
11-19 997
这一节还是实现一个手写数字识别器，不过跟上一节不一样的是用
UFLDL教程练习题答案——self-taught learning
03-12
UFLDL教程练习题答案——self-taught learning，里面的代码都是最优的，可以替换之前资源里面的代码
Self-taught Learning: Transfer Learning from Unlabeled Data
06-12
Self-taught Learning: Transfer Learning from Unlabeled Data
UFLDL Exercise: Convolution and Pooling 卷积和池化
01-01
UFLDL Exercise: Convolution and Pooling 卷积和池化 matlab代码 只需下载训练集和测试集就可以直接运行
Exercise:Self-Taught Learning 代码示例
accomolate的专栏
12-23 629
练习参考Self-Taught Learning 结合使用稀疏自编码器和Softmax分类器对0到4的手写数字进行分类。首先利用稀疏自编码器无监督学习手写数字5到9的特征。利用学到的权重和偏置计算手写数字0到4的激活值，并将激活值作为Softmax分类器的输入进行分类（有监督学习）。 Train the sparse autoencoder opttheta = th
UFLDL Tutorial_Self-Taught Learning and Unsupervised Feature Learning
Kylin-Xu的专栏
12-12 1997
Self-Taught Learning Contents  [hide] 1 Overview2 Learning features3 On pre-processing the data4 On the terminology of unsupervised feature learning Overview A
Self-Taught Learning
freeliao的专栏 在路上奔跑。。。
02-19 3637
自编码器是一个三层的feed-forward神经网络模型，输入层经过隐含层的特征表示后再重构出跟输入层逼近的输出层，中间的隐含层是特征表示层，表示对输入层学习到的特征，这些特征可能更好地表示了数据，如果用学到的特征来训练数据分类或回归可能学习效果更好，于是就有了自我学习和无监督特征学习。     如果我们有很多的未标注数据，那就更好了，我们可以用自编码器学习特征表示，然后用学到的特征表示
自我学习（Self-Taught Learning）
程引的专栏
08-13 8033
自我学习就是把稀疏自编码器与Softmax回归分类器串联起来。 稀疏编码器是用来无监督学习的，使用无标签数据。 Softmax回归分类器是有监督学习，使用标签数据。   实际生活中，我们能轻松获得大量无标签数据（如从网上随机下载海量图片） 难以获得大量有标签数据（有标签的数据库通常不会太大，而且很贵）   如果我们手头上只有少量标签数据，但是有大量的无标签数据，这是就可以采用自我
UFLDL——Exercise: Stacked Autoencoders栈式自编码算法
Daniel_djf的专栏
12-14 3861
实验要求可以参考deeplearning的tutorial， Exercise: Implement deep networks for digit classification  。 本实验仍然是对手写数字0-9的识别，相比于之前的模型变得更复杂，通过多层隐含层从原始特征中学习更能代表数据特点的特征，然后把学习到的新特征输入到softmax回归进行分类。实验中使用了更深的神经网络（更复杂）
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值