3

在场景 1 中，我有一个多层稀疏自动编码器，它试图重现我的输入，因此我的所有层都与随机启动的权重一起训练。没有监督层，在我的数据上，这并没有学习任何相关信息（代码工作正常，经过验证，因为我已经在许多其他深度神经网络问题中使用过它）

在场景 2 中，我只是在类似于深度学习的贪婪逐层训练中训练多个自动编码器（但最终没有监督步骤），每一层都在前一个自动编码器的隐藏层的输出上。他们现在将分别学习一些模式（正如我从可视化权重中看到的那样），但并不像我所期望的那样来自单层 AE。

所以我决定尝试现在连接到 1 个多层 AE 的预训练层是否可以比随机初始化的版本执行得更好。如您所见，这与深度神经网络中微调步骤的想法相同。

但在我的微调过程中，所有层的神经元似乎都迅速收敛到一个完全相同的模式，最终什么也没学到。

问题：训练完全无监督的多层重建神经网络的最佳配置是什么？首先分层，然后进行某种微调？为什么我的配置不起作用？

4

1 回答 1

5

经过一些测试后，我想出了一种似乎可以提供非常好的结果的方法，并且正如您对“微调”所期望的那样，它可以提高所有层的性能：

就像往常一样，在贪婪的逐层学习阶段，每个新的自动编码器都试图重建前一个自动编码器隐藏层的激活。然而，最后一个自动编码器（在微调期间将是我们多层自动编码器的最后一层）不同，这一层将使用前一层的激活并尝试重建“全局”输入（即原始输入）被送入第一层）。

这样，当我连接所有层并将它们一起训练时，多层自动编码器将真正重建最终输出中的原始图像。我发现即使没有监督步骤，学习的特征也有了很大的改进。

我不知道这是否应该以某种方式与标准实现相对应，但我之前在任何地方都没有发现这个技巧。

于 2016-01-29T13:41:52.317 回答