自动编码器及其变种

自动编码器

  三层网络结构：输入层，编码层（隐藏层），解码层。
  训练结束后，网络可由两部分组成：1）输入层和中间层，用这个网络对信号进行压缩；2）中间层和输出层，用这个网络对压缩的信号进行还原。图像匹配就可以分别使用，首先将图片库使用第一部分网络得到降维后的向量，再讲自己的图片降维后与库向量进行匹配，找出向量距离最近的一张或几张图片，直接输出或还原为原图像再匹配。
  该网络的目的是重构其输入，使其隐藏层学习到该输入的良好表征。其学习函数为$h(x) \approx x$。但如果输入完全等于输出，即$g(f(x)) = x$，该网络毫无意义。所以需要向自编码器强加一些约束，使它只能近似地复制。这些约束强制模型考虑输入数据的哪些部分需要被优先复制，因此它往往能学习到数据的有用特性。一般情况下，我们并不关心AE的输出是什么（毕竟与输入基本相等），我们所关注的是encoder，即编码器生成的东西，在训练之后，encoded可以认为已经承载了输入的主要内容。
  自动编码器属于神经网络家族，但它们与PCA（主成分分析）紧密相关。尽管自动编码器与PCA很相似，但自动编码器比PCA灵活得多。在编码过程中，自动编码器既能表征线性变换，也能表征非线性变换；而PCA只能执行线性变换。

  从不同的角度思考特征具有何种属性是好的特征，自动编码器分为四种类型：
（1）去燥自动编码器（DAE）（降噪）
（2）稀疏自动编码器（SAE，Sparse Autoencoder）（稀疏性，即高而稀疏的表达）
（3）变分自动编码器（VAE）（高斯分布）
（4）收缩自动编码器（CAE/contractive autoencoder）（对抗扰动）

去燥自编码器（DAE）

  最基本的一种自动编码器，它会随机地部分采用受损的输入(就是将输入做噪声处理或某些像素置零处理)来解决恒等函数风险，使得自动编码器必须进行恢复或去燥。(处理过程为输入有噪声，目标函数为原图像)。损失函数为$L(x,g(f(x^`)))$，其中$x^`$是含噪声的输入。
  这项技术可用于得到输入的良好表征。良好的表征是指可以从受损的输入（应该就是中间层encoder输出的那个较低维的）稳健地获得的表征，该表征可被用于恢复其对应的无噪声输入。

稀疏自编码器（SAE）

  与常规的AE结构相似，只是隐藏层要比原输入要高维，且要让其稀疏，即大部分为0。其损失函数为：$J_{sparse}(W,b) = J(W,b)+\beta \sum_{j=1}^{s2}KL(\rho \| \vec {\rho}_j)$，其中$\beta$是控制稀疏性的权重，$\rho$为平均激活度，$\vec \rho_j$为实际激活度。

变分自编码器（VAE）

  与传统AE输出的隐藏层不同，其给隐藏层加了一个约束：迫使隐藏层产生满足高斯分布的变量，即均值趋于0，方差趋于1。

收缩自编码器（CAE）

  收缩编码器学习的是一个在输入 x 变化小时目标也没太大变化的函数。其损失函数为$J_c = J(x, g(h)) + \lambda\sum_i\|\bigtriangledown_xh_i\|_F^2$，F范数的意义在于想要隐藏层的导数尽可能的小。

为什么自动编码器大多显示3层结构，训练多层时需要多次使用？

  三层网络是单个自编码器所形成的网络，对于任何基于神经网络的编码器都是如此。如果需要多层的编码器，通过逐层训练的形式完成，这就是堆叠自动编码器。如果直接用多层的自动编码器，其本质就是在做深度学习的训练，可能会由于梯度爆炸或梯度消失导致难以训练的问题。而逐层训练可以直接使用前面已经能提取完好特征的网络，使得整个网络的初始化在一个合适的状态，便于收敛。但是，在2014年出现的Batch-Normalization技术【良好的初始化技术】比逐层训练有效的多。再后来，发现基于残差（ResNet）我们基本可以训练任意深度的网络。

  自动编码器目前主要应用于 (1) 数据去噪 (2) 可视化降维 (3)特征提取