CAE(Convolutional Auto-Encode) 卷积自编码

最近复习一下之前看的深度学习的网络，在deeplearning-toolbox中看到一个CAE一时没想起来就看了一下官方的解释

CAE(Convolutional Auto-Encode) 卷积自编码 ，对于这个深度学习的网络的的解释很少。

下面谈一下自己的认识，算是总结吧

CAE(Convolutional Auto-Encode) 卷积自编码 :一种卷积自编码器，其实现的过程与Auto-Encode的思想是一致的

都是使用的是先编码在解码，比较解码的数据与原始的数据的差异进行训练，最后得到比较稳定的参数，待这一层的参数都训练好的时，再进行下一个的训练

如此堆积起来的网络看作是Stacked Auto-Encode 为了增加其抗干扰的能力，有时在训练时加入随机噪声进而增加其鲁棒性，称为Stacked denoise Auto-Encode。

但是今天要介绍的CAE只是加入了卷积的训练。其中主要思想是加入一些卷积的操作

1.CAE-UP 可以看做是卷积的的操作（在图像中进行卷积计算，得到卷积的图像）

2.CAE-Down 可以看做是一种翻卷的过程（在上层的基础之上，进行反卷积，得到原始的数据（肯定会有差距））

3.CAE-BP 可以看做是反向椽笔算法来计算残差，损失，计算出梯度与变化值。使用残差值对网络的参数进行更新。

主要的步骤就是这些，剩下的就是堆在一起了。

下面介绍一下在CAE中的数学计算

卷积层-卷积：初始化k个卷积核(W)，每个卷积核搭配一个偏置b，与输入x卷积( ∗ )后生成k个特征图h，激活函数 σ 是 tanh 。公式如下：

池化层-池化操作（Max Pooling）：  对上面生成的特征图进行池化操作，时要保留池化时的位置关系的矩阵，方便之后反池化的操作。

池化层-自编码（反池化操作）：  对上面生成的特征图进行反池化操作，用到保留池化时的位置关系的矩阵，将数据还原到原始大小的矩阵的相应的位置（在此可以参考卷积神经网络的一些过程）。                

                                                                                   

卷积层-自编码（反卷积的操作）：每张特征图h与其对应的卷积核的转置 进行卷积操作并将结果求和，然后加上偏置c，激活函数 σ 仍然是 tanh 。公式如下：  

卷积层-更新权值：要更新权值，首先要确定cost function，此处作者采用的MSE（最小均方差）函数，即：目标值减去实际值的平方和再求均值，2n是为了简化求导。其中 θ是关于W和b的函数 。公式如下： 

　　但是会存在一种输入要与输出的维度一样才可以进行残差的计算，这个时候，就要对卷积的三种方式就要理清楚是怎样的操作的

卷积的三种操作： 假设原始图像的size是AxA的  卷积核的大小BxB 在计算时候对于边界如果需要进行边界补零操作

1.valid   得到的图像是 （A-B+1）x（A-B+1）

2.full    得到的图像是 （A+B-1）x（A+B-1）

3.same   得到的图像是   AxA

　　确定好cost function以后，就是对W和b求导，公式如下：  

　　
　　 由于论文没有具体给出的值只是说： δh and δy are the deltas of the hidden states and the reconstruction, respectively

在此参考一下deeplearning-toolbox中的CAE的代码中，其对于卷积使用的full操作，而在进行down时使用的是valid，

这样就是的输入前与输入后保持一致的维度了。

caesdlm是进行梯度检测的

可以进行pooling 也可以选择不使用，只是用来减少参数的，其在计算中只是随机的将某些数据值置为0.

　　Ｍax pooling：引入Max pooling下采样技术，获取到特征的平移不变性。Max pooling就是pooling时选取最大值。由于采用了pooling技术，因此就没有必须使用L1/L2规则化项了。

文中的实验结果

　　将上述卷积层和pooling层堆积起来，形成CAEs，最后加入SVMs或其他的分类器。据实验结果显示，CAEs在泛化性、鲁棒性方面表现特别好，尤其是在无监督训练界。

下面补充一下在DeepLearning-toolbox中的CAE的关键代码的解释：

1。caeexamples.m 入口

scae = {
    struct('outputmaps', 10, 'inputkernel', [1 5 5], 'outputkernel', [1 5 5], 'scale', [1 2 2], 'sigma', 0.1, 'momentum', 0.9, 'noise', 0)
};

用来定义cae的结构  outputmap 可以理解为卷积核的个数，inputkernel 卷积核的大小，scale池化的窗口大小。noise是否添加噪声

sigma在代码中没有用到（估计是用来计算更新学习率的参考caffe），momentum是用来对原始权重的保留权重。

2。 scaesetup网络参数初始化设置

   cae = cae{l};
        ll= [opts.batchsize size(x{1}, 2) size(x{1}, 3)] + cae.inputkernel - 1;  %size 　A+k-1 full
        X = zeros(ll); %init size
        cae.M = nbmap(X, cae.scale);%1*4*256
        bounds = cae.outputmaps * prod(cae.inputkernel) + numel(x) * prod(cae.outputkernel);% bounds 275

ll是存放的是卷积之后的图像的尺寸（这里使用的full是对图像进行增大的一种，感觉作者这样写是为了提取图像边缘的数据）

X是进行初始矩阵。cae.M是将图像的scale的大小进行分组列化，图像此时是32*32的，但是在池化时把4个像素点看做一组进行列化（4*256=32*32）的图像方便后面进行池化操作。

bounds的作用是进行卷积的初始化的操作，（本人不是很明白为什么要用这个）

        cae.edgemask = zeros([opts.batchsize size(x{1}, 2) size(x{1}, 3)]);% 1*28*28
        cae.edgemask(ss(1) : end - ss(1) + 1, ...
                     ss(2) : end - ss(2) + 1, ...
                     ss(3) : end - ss(3) + 1) = 1;  % 20*20 个有效的作用

这个的操作是对28*28的矩阵中间的20*20的部分进行初始化为1，其他的是0

但是这样是为什么，难道只是把中间的20*20的元素看作是主要的影响银子吗。（这一点不明白）

3。caetrain 训练

        cae = caeup(cae, x1);   %主要是进行卷积和maxpooling
        cae = caedown(cae);   %主要是进行反卷积还原图像
        cae = caebp(cae, x2);   %反向传播计算残差和权重的变化量
        cae = caesdlm(cae, opts, m);     %进行梯度检验
        cae = caeapplygrads(cae);         %梯度及偏置参数的更新

4。function X = max3d(X, M)
    ll = size(X);
    B=X(M);
    B=B+rand(size(B))*1e-12;
    B=(B.*(B==repmat(max(B,[],2),[1 size(B,2) 1])));
    X(M) = B;
    reshape(X,ll);
end
% compute reshape 4*256=32*32 
% 把图片分成4个像素一组，总共256组，
% 在计算时 取出每一组的最大值即完成最大池化
% 得到一个[0 1]的mask矩阵，然后与B进行相乘
% 可以的得到一个池化后的矩阵

其他的在此就不做解释了，可以参考卷积神经网络的计算。

代码的作者使用的对图像进行扩大的计算来最大可能的保留图像。

参考文献

[1]: Stacked Convolutional Auto-Encoders for Hierarchical Feature Extraction