TensorFlow实现：深入探索Autoencoders

1.简介

• 自编码器是一种特殊的神经网络模型，它可以从无标签的训练集中训练得到，是一种无监督学习算法。它不仅可以用来降维，也可以作为一种生成模型，这表示此模型可以从输入数据中生成新的数据。本文中主要介绍不同类型的自编码器，并用TensorFlow进行实现。

2.原理

• 自编码器将原始的数据作为输入，然后将输入转化成有效的内部表现形式，输出数据看上去和输入是相似的。换句话说，为了生成新的数据来近似表示原始输入，自编码器从原始输入中寻找模型。
• 自编码器的组成：
   
• 注意：在一个自编码器中，输入层和输出层的神经元数目是相同的；为了让神经网络能够从原始输入数据中学习到最重要的特征，所以隐藏层的神经元数目必须比输入层的神经元数目少。也就是说，自编码器不是简单将输入复制到输出。因为，隐藏层比输出层的维度更低。

3.实战

1)降维

• 自编码器的一个应用就是降维，如果神经网络的激活函数使用线性激活函数，代价函数使用均方误差MSE，可以达到像PCA进行数据降维的效果。原始数据可视化如下:

• 训练一个自编码器对上述的数据进行降维，达到类似于PCA的效果：

• (2)堆自编码器(stacked autoencoders)
   

• (3) 变分自编码器(variational autoencoders)
   

免责声明：本文系网络转载或改编，未找到原创作者，版权归原作者所有。如涉及版权，请联系删