神经网络学习笔记4——自动编码器（含稀疏，堆叠）（更新中）

目录

配套讲解视频

1.程序和数据集

2.自动编码器

2.1自编码器原理

2.2代码实现

 3.堆叠式自编码器

4.稀疏自编码器

4.1稀疏编码

 4.2.稀疏自编码器

---

配套讲解视频

建议配合视频阅读博文

10分钟学会自动编码器从原理到编程实现_哔哩哔哩_bilibili

10分钟学会自动编码器从原理到编程实现

1.程序和数据集

链接：https://pan.baidu.com/s/1aSNq94BJuKsiKO5gNGF29Q 
提取码：6666 
--来自百度网盘超级会员V5的分享

2.自动编码器

2.1自编码器原理

通过无监督学习的方式来学习一组数据中的有效编码

自编码器的目标：重新提取特征，降低维度，最小化重构错误

目标函数：使重构错误为0

 

 简单的两层自编码器实示例

2.2代码实现

1.数据导入

D=xlsread('C:\Users\86188\Desktop\B站ppt\ae\RaisinDataset.xlsx');
data=D(:,1:7)';
label=D(:,8)';

2.数据集处理

k=rand(1,900);
[m,n]=sort(k);
input_train=data(:,n(1:750));
input_test=data(:,n(751:900));
output_train=label(:,n(1:750));
output_test=label(:,n(751:900));
x = input_train;
t=ind2vec(output_train); 
t=full(t)

 3.设置网络结构

ae1=trainAutoencoder(x,5); 
features=encode(ae1,x);
softmax=trainSoftmaxLayer(features,t); 
nets=stack(ae1,softmax);

 4.显示结果，测试网络

view(nets)
output_test
y=nets(input_test)

 

5.计算准确率

for i=1:150
    output_fore(i)=find(y(:,i)==max(y(:,i)));
end
right1=0;
for i=1:150
    if output_fore(i) == output_test(i)
        right1=right1+1;
    end
end

right=right1/150

 3.堆叠式自编码器

对于很多数据来说，仅使用两层神经网络的自编码器还不足以获取一种好的数据表示，为了获取更好的数据表示，我们可以使用更深层的神经网络，深层神经网络作为自编码器提取的数据表示一般会更加抽象，能够更好地捕捉到数据的语义信息。

在实践中经常使用逐层堆叠的方式来训练一个深层的自编码器。称为堆叠自编码器(StackedAuto-EncoderSAE)堆叠自编码器一般可以采用逐层训练(Layer-WiseTraining)来学习网络参数

4.稀疏自编码器

4.1稀疏编码

稀疏编码的优点

（1）.计算量

稀疏性带来的最大好处就是可以极大地降低计算量。

（2）可解释性

因为稀疏编码只有少数的非零元素，相当于将一个输入样本表示为少数几个相关的特征。这样我们可以更好地描述其特征，并易于理解。

  (3)特征选择

稀疏性带来的另外一个好处是可以实现特征的自动选择，只选择和输入样本相关的最少特征，从而可以更好地表示输入样本，降低噪声并减轻过拟合。

 4.2.稀疏自编码器

通过给自编码器中隐藏层单元z加上稀疏性限制，自编码器可以学习到数据中一些有用的结构。

目标函数

 W表示自编码器中的参数

和稀疏编码一样，稀疏自编码器的优点是有很高的可解释性，并同时进行了隐式的特征选择．

结构图