栈式自编码器（SAE）是一种深度学习模型，由多个稀疏自编码器层堆叠而成。每一层自编码器的隐藏层输出作为下一层的输入，最终所有层的特征与softmax分类器结合用于训练和分类任务。在MNIST数字分类的例子中，SAE首先学习初级特征，然后在这些特征上学习次级特征，并通过softmax分类器进行数字标签预测。经过参数微调后的SAE模型表现出强大的表达能力和深度学习的优势，能学习到不同层次的图像特征，适用于图像处理任务如分类和检索。
SAE栈式自编码器参考自网页http://ufldl.stanford.edu/wiki/index.php/Stacked_Autoencoders点击打开链接
A stacked autoencoder is a neural network consisting of multiple layers of sparse autoencoders in which the outputs of each layer is wired to the inputs of the successive layer. 就是把前一层自编码器的中间的隐藏层（特征1）作为后一层自编码器的输入，再将得到的隐含层（特征2 ）作为下一层的输入，如此重复，最后将得到的特征作为输入集输入到softmax classifier（或者其他分类器）中训练。然后整个网络训练完之后，将各个步骤得到的特征矩阵与分类器的参数合成新的网络。 （大概意思，仅供参考）
可以看下面这个例子增强理解
具体的例子
最低0.47元/天 解锁文章
扫一扫
7833
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
