UFLDL新版教程与编程练习（十）：RICA（重建独立成分分析）

最新推荐文章于 2022-05-14 16:09:22 发布

laizi_laizi

最新推荐文章于 2022-05-14 16:09:22 发布

阅读量691

点赞数

分类专栏：新版UFLDL

本文链接：https://blog.csdn.net/laizi_laizi/article/details/99340145

版权

新版UFLDL 专栏收录该内容

12 篇文章 8 订阅

订阅专栏

UFLDL是吴恩达团队编写的较早的一门深度学习入门，里面理论加上练习的节奏非常好，每次都想快点看完理论去动手编写练习，因为他帮你打好了整个代码框架，也有详细的注释，所以我们只要实现一点核心的代码编写工作就行了，上手快！

我这里找不到新版对应这块的中文翻译了，-_-，这是倒数第2个练习了，就快完了！
第十节是：RICA（重建独立成分分析）
教程上说：RICA是为了克服ICA的正交性限制，而它的惩罚项不像ICA那么“严厉”，要减小的损失函数变为：
$\min _{W} \quad \lambda\|W x\|_{1}+\frac{1}{2}\left\|W^{T} W x-x\right\|_{2}^{2}$
前一项为惩罚项，后一项还是衡量编码后的与原来的差异。
现在我们要来计算梯度，损失函数有两项，所以要计算这两项对参数 $W$ 的梯度，首先看 $\left\|W^{T} W x-x\right\|_{2}^{2}$ ，可以从下面的图里面慢慢推出 $\nabla_{W}\left\|W^{T} W x-x\right\|_{2}^{2}$ ：
编码器前向传播
这是我的笔记中关于这个的推导：
笔记推导1
我们有了误差 $\delta$ 和该层的输入，就可推出梯度：
$\nabla_{W} F =\nabla_{W} F + (\nabla_{W^{T}} F)^{T}\\ = (W)(2(W^{T}Wx -x)) x^{T} + 2(Wx)(W^{T}Wx - x)^{T}$
对于 $\lambda\|W x\|_{1}$ 这一项，我们是用 $\sqrt{x^2 + \epsilon}$ 这种模式来模拟1-范数，也可以求得对 $W$ 的梯度，可以在我的笔记中找到（结论就是下面的红框里面标出来的）：
笔记推导2
好了现在可以放代码了：

zca2.m

function [Z] = zca2(x)
epsilon = 1e-4;
% You should be able to use the code from your PCA/ZCA exercise
% Retain all of the components from the ZCA transform (i.e. do not do
% dimensionality reduction)

% x is the input patch data of size 81*10000
% z is the ZCA transformed data. The dimenison of z = x.

%%% YOUR CODE HERE %%%
avg = mean(x, 1);     % Compute the mean pixel intensity value separately for each patch. 
x = x - repmat(avg, size(x, 1), 1);
sigma = x * x' / size(x, 2); % covariance matrix
[U,S,~] = svd(sigma);
xRot = U' * x;          % rotated version of the data.
Z = U * diag(1./sqrt(diag(S) + epsilon)) * xRot;

softICACost.m

%% Your job is to implement the RICA cost and gradient
function [cost,grad] = softICACost(theta, x, params)

% unpack weight matrix
W = reshape(theta, params.numFeatures, params.n); % 50*81

% project weights to norm ball (prevents degenerate bases)
Wold = W;
W = l2rowscaled(W, 1);

%%% YOUR CODE HERE %%%
% cost Wgrad
lambda = 0.1; % 这是我实验过后比较好的
epsilon = 1e-2;
cost = lambda * sum(sum(sqrt((W*x).^2+epsilon))) + sum(sum((W'*W*x-x).^2)) / 2 ;
% Wgrad = lambda * (W' * W * x./sqrt((W*x).^2+epsilon))+ W * (W' * W * x - x) * x' + W * x * (W' * W * x - x)';
Wgrad = lambda * (W*x./sqrt((W*x).^2+epsilon))*x'+ W * (W' * W * x - x) * x' + W * x * (W' * W * x - x)';

% unproject gradient for minFunc
grad = l2rowscaledg(Wold, W, Wgrad, 1);
grad = grad(:);

运行结果：
运行runSoftICA.m
runSoftICA.m运行结果
对权值矩阵进行可视化：可以看出这是一个边缘检测器
penstrokes
有理解不到位之处，还请指出，有更好的想法，可以在下方评论交流！