UFLDL教程练习之二：稀疏自编码器和矢量化编程

  可视化自编码器，可视化的是 要学习的参数 W1 。

1：稀疏自编码器

Step1：在sampleIMAGES.m文件中获取生成训练集的代码，其中tic和toc是用来记时用的。

1. tic  
2. image_size=size(IMAGES);  
3. i=randi(image_size(1)-patchsize+1,1,numpatches);   %产生1*10000个随机数 范围在[1,image_size(1)-patchsize+1]之间  
4. j=randi(image_size(2)-patchsize+1,1,numpatches);  
5. k=randi(image_size(3),1,numpatches);              % 随机的选取图片 10000次  
6. for num=1:numpatches  
7.         patches(:,num)=reshape(IMAGES(i(num):i(num)+patchsize-1,j(num):j(num)+patchsize-1,k(num)),1,patchsize*patchsize);  
8. end  
9. toc  

Step2：在sparseAutoencoderCost.m文件中完成前向传播和后向传播等相关代码

1. %1.forward propagation  
2. data_size=size(data);           % [64, 10000]  
3. active_value2=repmat(b1,1,data_size(2));    % 将b1扩展10000列 25*10000  
4. active_value3=repmat(b2,1,data_size(2));    % 将b2扩展10000列 64*10000  
5. active_value2=sigmoid(W1*data+active_value2);  %隐结点的值 矩阵表示所有的样本     25*10000 一列表示一个样本 hidden   
6. active_value3=sigmoid(W2*active_value2+active_value3);   %输出结点的值 矩阵表示所有的样本  64*10000 一列表示一个样本 output  
7. %2.computing error term and cost  
8. ave_square=sum(sum((active_value3-data).^2)./2)/data_size(2);   %cost第一项  最小平方和  
9. weight_decay=lambda/2*(sum(sum(W1.^2))+sum(sum(W2.^2)));         %cost第二项   所有参数的平方和 贝叶斯学派  
10.   
11. p_real=sum(active_value2,2)./data_size(2);       % 稀疏惩罚项中的估计p 为25维   
12. p_para=repmat(sparsityParam,hiddenSize,1);       %稀疏化参数  
13. sparsity=beta.*sum(p_para.*log(p_para./p_real)+(1-p_para).*log((1-p_para)./(1-p_real)));   %KL diversion  
14. cost=ave_square+weight_decay+sparsity;      % 最终的cost function  
15.   
16. delta3=(active_value3-data).*(active_value3).*(1-active_value3);      % 为error 是64*10000 矩阵表示所有的样本，每一列表示一个样本  
17. average_sparsity=repmat(sum(active_value2,2)./data_size(2),1,data_size(2));  %求error中的稀疏项  
18. default_sparsity=repmat(sparsityParam,hiddenSize,data_size(2));     %稀疏化参数  
19. sparsity_penalty=beta.*(-(default_sparsity./average_sparsity)+((1-default_sparsity)./(1-average_sparsity  

Step3：梯度检验

1. EPSILON=0.0001;  
2. for i=1:size(theta)  
3.     theta_plus=theta;  
4.     theta_minu=theta;  
5.     theta_plus(i)=theta_plus(i)+EPSILON;  
6.     theta_minu(i)=theta_minu(i)-EPSILON;  
7.     numgrad(i)=(J(theta_plus)-J(theta_minu))/(2*EPSILON);  
8. end  

Step4:可视化，训练train.m的时候，要将相关梯度校验相关代码去掉，因为这部分代码比较耗时间。

 

2：矢量化编程实现

这个只需要在以上的代码中略做修改即可。

Step1：首先将参数设置为

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

Step2：将稀疏编码器中的step1获取训练集的方式换成下面代码：

1. images = loadMNISTImages('train-images.idx3-ubyte');  
2.   
3. display_network(images(:,1:100)); % Show the first 100 images  
4. patches = images(:, randi(size(images,2), 1, 10000));  

这样就可以得到以下可视化的结果了：