线性解码器
Contents[hide] |
稀疏自编码重述
稀疏自编码器包含3层神经元,分别是输入层,隐含层以及输出层。从前面(神经网络)自编码器描述可知,位于神经网络中的神经元都采用相同的激励函数。在注解中,我们修改了自编码器定义,使得某些神经元采用不同的激励函数。这样得到的模型更容易应用,而且模型对参数的变化也更为鲁棒。
回想一下,输出层神经元计算公式如下:
其中 a(3) 是输出. 在自编码器中, a(3) 近似重构了输入 x = a(1)。
S 型激励函数输出范围是 [0,1],当 f(z(3)) 采用该激励函数时,就要对输入限制或缩放,使其位于[0,1] 范围中。一些数据集,比如 MNIST,能方便将输出缩放到 [0,1] 中,但是很难满足对输入值的要求。比如, PCA 白化处理的输入并不满足[0,1] 范围要求,也不清楚是否有最好的办法可以将数据缩放到特定范围中。
线性解码器
设定 a(3) = z(3) 可以很简单的解决上述问题。从形式上来看,就是输出端使用恒等函数f(z) = z 作为激励函数,于是有 a(3) = f(z(3)) = z(3)。我们称该特殊的激励函数为线性激励函数 (称为恒等激励函数可能更好些)。
需要注意,神经网络中隐含层的神经元依然使用S型(或者tanh)激励函数。这样隐含单元的激励公式为 ,其中 是 S 型函数, x 是输入,W(1) 和 b(1) 分别是隐单元的权重和偏差项。我们仅在输出层中使用线性激励函数。
一个 S 型或 tanh 隐含层以及线性输出层构成的自编码器,我们称为线性解码器。
在这个线性解码器模型中,。因为输出 是隐单元激励输出的线性函数,改变W(2) ,可以使输出值 a(3) 大于 1 或者小于 0。这使得我们可以用实值输入来训练稀疏自编码器,避免预先缩放样本到给定范围。
随着输出单元的激励函数的改变,这个输出单元梯度也相应变化。回顾之前每一个输出单元误差项定义为:
其中 y = x 是所期望的输出, 是自编码器的输出, 是激励函数.因为在输出层激励函数为f(z) = z, 这样 f'(z) = 1,所以上述公式可以简化为
当然,若使用反向传播算法来计算隐含层的误差项时:
因为隐含层采用一个 S 型(或 tanh)的激励函数 f,在上述公式中, 依然是 S 型(或 tanh)函数的导数。
中英文对照
- 线性解码器 Linear Decoders
- 稀疏自编码 Sparse Autoencoder
- 输入层 input layer
- 隐含层 hidden layer
- 输出层 output layer
- 神经元 neuron
- 神经网络 neural network
- 自编码器 autoencoder
- 激励函数 activation function
- 鲁棒 robust
- S型激励函数 sigmoid activation function
- tanh激励函数 tanh function
- 线性激励函数 linear activation function
- 恒等激励函数 identity activation function
- 隐单元 hidden unit
- 权重 weight
- 偏差项 error term
- 反向传播算法 backpropagation from: http://ufldl.stanford.edu/wiki/index.php/%E7%BA%BF%E6%80%A7%E8%A7%A3%E7%A0%81%E5%99%A8