本文介绍了Stacked Autoencoder（SAE）模型，这是一种深度学习模型，由多层稀疏自编码器组成，用于特征学习和分类。文章详细阐述了sparse autoencoder的原理，包括其稀疏性约束和代价函数，以及优化方法。同时，讨论了logistic回归和softmax回归模型，分别用于二分类和多分类任务，并解释了如何通过预训练和微调步骤来构建完整的SAE模型。
Stacked Autoencoder（SAE）模型是一个由多层稀疏自编码器组成的深度神经网络模型，其前一层自编码器的输出作为其后一层自编码器的输入，最后一层是个分类器（logistic分类器或者softmax分类器）
（一）sparse autoencoder算法
1.概念：sparse autoencoder是一种非监督学习算法，需要满足以下两种约束：
（1）autoencoder：输入等于输出
（2）sparse：隐层的每个神经元的响应是稀疏的，也就是大部分时间响应为0，也就是平均响应
1729
3897
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
最低0.47元/天 解锁文章
扫一扫
