6

有人可以向我解释为什么自动编码器不收敛吗？对我来说，下面两个网络的结果应该是一样的。然而，下面的自动编码器没有收敛，而它下面的网络却是。

# autoencoder implementation, does not converge
autoencoder = Sequential()
encoder = containers.Sequential([Dense(32,16,activation='tanh')]) 
decoder = containers.Sequential([Dense(16,32)])
autoencoder.add(AutoEncoder(encoder=encoder, decoder=decoder, 
                        output_reconstruction=True))
rms = RMSprop()
autoencoder.compile(loss='mean_squared_error', optimizer=rms)

autoencoder.fit(trainData,trainData, nb_epoch=20, batch_size=64,
            validation_data=(testData, testData), show_accuracy=False)

 # non-autoencoder implementation, converges

model = Sequential()
model.add(Dense(32,16,activation='tanh')) 
model.add(Dense(16,32))
model.compile(loss='mean_squared_error', optimizer=rms)

model.fit(trainData,trainData, nb_epoch=numEpochs, batch_size=batch_size,
            validation_data=(testData, testData), show_accuracy=False)
4

2 回答 2

2

我认为 Keras 的自动编码器实现将编码器和解码器的权重联系在一起，而在您的实现中，编码器和解码器具有单独的权重。如果您的实现在测试数据上带来了更好的性能，那么它可能表明您的问题可能需要未绑定的权重。

于 2015-10-25T08:44:35.913 回答
2

Keras 的新版本（0.3.0）不再在 AutoEncoder 中绑定权重，它仍然表现出不同的收敛性。这是因为权重的初始化方式不同。

在非 AE 示例中，首先初始化 Dense(32,16) 权重，然后是 Dense(16,32)。在 AE 示例中，首先初始化 Dense(32,16) 权重，然后是 Dense(16,32)，然后在创建 AutoEncoder 实例时，再次初始化 Dense(32,16) 权重（self.encoder.set_previous (node) 将调用 build() 来初始化权重）。

现在以下两个 NN 收敛完全相同：

autoencoder = Sequential()
encoder = containers.Sequential([Dense(32,16,activation='tanh')]) 
decoder = containers.Sequential([Dense(16,32)])
autoencoder.add(AutoEncoder(encoder=encoder, decoder=decoder, 
                        output_reconstruction=True))
rms = RMSprop()
autoencoder.compile(loss='mean_squared_error', optimizer=rms)
np.random.seed(0)
autoencoder.fit(trainData,trainData, nb_epoch=20, batch_size=64,
            validation_data=(testData, testData), show_accuracy=False)

# non-autoencoder
model = Sequential()
model.add(Dense(32,16,activation='tanh')) 
model.add(Dense(16,32))
model.set_weights(autoencoder.get_weights())
model.compile(loss='mean_squared_error', optimizer=rms)
np.random.seed(0)
model.fit(trainData,trainData, nb_epoch=numEpochs, batch_size=batch_size,
            validation_data=(testData, testData), show_accuracy=False)
于 2015-12-16T07:35:15.470 回答