【模型学习-AE】自编码器、AE、AutoEncoder

自编码器（AutoEncoder，AE）

结构图

原理

1. AE结构包含两部分：编码器Encoder和解码器Decoder
2. 原始数据X通过编码器，得到隐层变量Z，Z包含了原始数据X的一些特征
   1. 编码部分将原始数据X从数据空间Rn映射到隐层变量Z所在的隐层空间Rd
3. 隐层变量Z，通过解码器，得到输出变量X’，即原始数据X的重构
   1. 解码部分将隐层变量Z从隐层空间Rd映射到输出变量X’所在的空间，即原始数据X所在的数据空间Rn

功能

1. AE可以学习得到原始数据的隐层特征
   1. 如人脸可由如下特征表示：眼睛大小，鼻子高低，嘴唇厚度，胡子长度…
   2. 编码部分任务
2. AE可以通过学习到的隐层特征，重构原始数据
   1. 如通过人脸的特征，重构得到该张人脸
   2. 解码部分任务

算法实现

1. 原始数据到隐层特征

$$h=Encode\left(x\right)=f_e\left(W_e\cdot x+b_e\right)$$

2. 隐层特征到重构输出

$$\tilde{x}=Decode\left(x\right)=f_d\left(W_d\cdot h+b_d\right)$$

公式中的 f_e 和 f_d 函数是常用的非线性函数，如Sigmoid函数、ReLU函数、Tanh函数

3. 整个模型需要得到最优参数组：

$$\theta \left(W_e,b_e,W_d,b_d\right)$$

4. 随机梯度下降算法寻找最优参数组

$$\begin{gathered} {\theta }_{k+1}\left(W_e,b_e,W_d,b_d\right)={\theta }_k\left(W_e,b_e,W_d,b_d\right)-\frac{\partial J}{\partial \theta } \\ J=\frac{1}{2N}\sum _{i=1}^N{\Vert {\tilde{x}}_i-x_i\Vert }^2 \end{gathered}$$

代码实现

待补充。。。

模型不足

1. AE模型只能重构已有数据，不能生成数据
2. 若通过人为给定隐层特征Z，则大概率不能重构目标输出，因为人为给定的Z不满足原始数据学习到的隐层变量Z所遵从的分布