如果这篇文章对你有一点小小的帮助,请给个关注,点个赞喔,我会非常开心的~
花书+吴恩达深度学习(二一)线性因子模型(概率PCA,ICA,SFA,稀疏编码)
花书+吴恩达深度学习(二二)自编码器(欠完备,DAE,CAE,PSD)
0. 前言
线性因子模型是最简单的生成模型和学习数据表示的最简单模型。
线性因子模型通过随机线性解码器函数来定义,对 h h h线性变换及添加噪声来生成 x x x。
h ∼ p ( h ) x = W h + b + n o i s e h\sim p(h)\\ x=Wh+b+noise h∼p(h)x=Wh+b+noise
在不同的线性因子模型中,都是选择了不同形式的噪声和不同潜变量的先验生成 x x x的。
线性分类器或线性回归模型可以扩展到深度前馈网络,线性因子模型也可以扩展到自编码器网络和深度概率模型
1. 概率PCA和因子分析
在因子分析中,潜变量的先验是一个方差为单位矩阵的高斯分布:
h ∼ N ( h ; 0 , I ) x ∼ N ( x ; b , W W T + ψ ) ψ = d i a g ( σ 2 ) = d i a g ( [ σ 1 2 , . . . , σ n 2 ] T ) h\sim N(h;0,I)\\ x\sim N(x;b,WW^T+\psi)\\ \psi=diag(\sigma^2)=diag([\sigma_1^2,...,\sigma_n^2]^T) h∼N(h;0,I)x∼N(x;b,WWT+ψ)ψ=diag(σ2)=diag([σ12,...,σn2]T)
在概率PCA中,将条件方差 σ i 2 \sigma_i^2 σ