Training a deep autoencoder or a classifier on MNIST digits_之调试运行与理解

运行这个程序的主要目的：深入理解deep autoencoder 的基本原理和基本架构，搞明白是如何搭建起来的,弄清它是如何训练学习的，又是如何提取目标的特征的，最终又是怎样分类的。

代码主程序如下：

mnistdeepauto.m

[plain]  view plain copy

1. <pre code_snippet_id="148729" snippet_file_name="blog_20140109_1_7166930" name="code" class="plain"><pre code_snippet_id="148729" snippet_file_name="blog_20140109_1_7166930" name="code" class="plain">% Version 1.000  
2. %  
3. % Code provided by Ruslan Salakhutdinov and Geoff Hinton    
4. %  
5. % Permission is granted for anyone to copy, use, modify, or distribute this  
6. % program and accompanying programs and documents for any purpose, provided  
7. % this copyright notice is retained and prominently displayed, along with  
8. % a note saying that the original programs are available from our   
9. % web page.   
10. % The programs and documents are distributed without any warranty, express or  
11. % implied.  As the programs were written for research purposes only, they have  
12. % not been tested to the degree that would be advisable in any important  
13. % application.  All use of these programs is entirely at the user's own risk.  
14.   
15.   
16. % This program pretrains a deep autoencoder for MNIST dataset-  
17.   % 这个程序是关于MNIST数据库的深度自编码预训练  
18. % You can set the maximum number of epochs for pretraining each layer  
19.   %在预训练各个隐藏层的时候，你可以设置epochs的最大值  
20. % and you can set the architecture of the multilayer net.  
21.   %你可以设置多层网络的架构  
22.   
23. clear all  %清除工作所有的变量  
24. close all  %关闭其他的窗口  
25.   
26. maxepoch=10; %In the Science paper we use maxepoch=50, but it works just fine.   
27. numhid=1000; numpen=500; numpen2=250; numopen=30;</pre><pre code_snippet_id="148729" snippet_file_name="blog_20140109_2_7730833" name="code" class="plain">%设置各个隐藏层的神经元的个数；这个程序所采用的网络共有四层，你可以追踪这个变量，就很容易知道这四个变量的代表的含义。【1000 500 250 30】  
28.   
29. fprintf(1,'Converting Raw files into Matlab format \n');  
30. converter; </pre><pre code_snippet_id="148729" snippet_file_name="blog_20140109_3_2856028" name="code" class="plain">%作者提供的二进制数据需要转换Matlab格式的；当程序运行到第一个函数fread时，程序报错，提示说所产生的文件标志是错误的，建议采用fopen函数。  
31.   
32. fprintf(1,'Pretraining a deep autoencoder. \n');  
33. fprintf(1,'The Science paper used 50 epochs. This uses %3i \n', maxepoch);  
34.   
35. makebatches;  
36. [numcases numdims numbatches]=size(batchdata);  
37.   
38. fprintf(1,'Pretraining Layer 1 with RBM: %d-%d \n',numdims,numhid);  
39. restart=1;  
40. rbm;  
41. hidrecbiases=hidbiases;   
42. save mnistvh vishid hidrecbiases visbiases;  
43.   
44. fprintf(1,'\nPretraining Layer 2 with RBM: %d-%d \n',numhid,numpen);  
45. batchdata=batchposhidprobs;  
46. numhid=numpen;  
47. restart=1;  
48. rbm;  
49. hidpen=vishid; penrecbiases=hidbiases; hidgenbiases=visbiases;  
50. save mnisthp hidpen penrecbiases hidgenbiases;  
51.   
52. fprintf(1,'\nPretraining Layer 3 with RBM: %d-%d \n',numpen,numpen2);  
53. batchdata=batchposhidprobs;  
54. numhid=numpen2;  
55. restart=1;  
56. rbm;  
57. hidpen2=vishid; penrecbiases2=hidbiases; hidgenbiases2=visbiases;  
58. save mnisthp2 hidpen2 penrecbiases2 hidgenbiases2;  
59.   
60. fprintf(1,'\nPretraining Layer 4 with RBM: %d-%d \n',numpen2,numopen);  
61. batchdata=batchposhidprobs;  
62. numhid=numopen;   
63. restart=1;  
64. rbmhidlinear;  
65. hidtop=vishid; toprecbiases=hidbiases; topgenbiases=visbiases;  
66. save mnistpo hidtop toprecbiases topgenbiases;  
67.   
68. backprop;   
69. </pre><br>  
70. <br>  
71. <pre></pre>  
72. <pre></pre>  
73. <pre></pre>  
74. <pre></pre>  
75. </pre>  

原文地址：http://blog.csdn.net/liyuanhao_1114/article/details/18033223