1.每一层都可以单独训练,保证降维特征的可控性。
2.对于高维度的分类问题,因为节点太多,参数太多,一味地增加深度只会使结果越来越不可控,成为彻底的黑盒,而使用栈式自编码逐层降维,可以将复杂问题简单化,更容易完成任务。
3.任意深层,理论上是越深层的神经网络对现实的拟合度越高,但是传统的多层神经网络,由于使用的是误差反向传播方式,导致层越深,传播的误差越小。栈式自编码巧妙地绕过这个问题,直接使用降维后的特征值进行二次训练,可以任意层数的加深。
4.栈式自编码可以将神经网络模块化,便于分工,非常适合团队合作。
在任何一个多维数据的分类中也可以用自编码,或在大型图片文类任务中,卷积池化后的特征数据进行自编码降维也是一个好方法。
本文来自《深度学习之TensorFlow:入门、原理与进阶实战》总结。
栈式自编码在深度学习中的意义
最新推荐文章于 2023-05-28 20:01:08 发布