【周末AI课堂】简单的自编码器（理论篇）| 机器学习你会遇到的“坑”
AI课堂开讲，就差你了！
很多人说，看了再多的文章，可是没有人手把手地教授，还是很难真正地入门AI。为了将AI知识体系以最简单的方式呈现给你，从这个星期开始，芯君邀请AI专业人士开设“周末学习课堂”——每周就AI学习中的一个重点问题进行深度分析，课程会分为理论篇和代码篇，理论与实操，一个都不能少！
来，退出让你废寝忘食的游戏页面，取消只有胡吃海塞的周末聚会吧。未来你与同龄人的差异，也许就从每周末的这堂AI课开启了！
读芯术读者交流群，请加小编微信号：zhizhizhuji。等你。后台回复“周末AI课堂”，查阅相关源代码。
全文共2849字，预计学习时长6分钟
简单Auto-Encoder的常用形式
作为一种无监督学习的简单模型，它有三个组成部分：输入，隐层，输出，由输入到隐层叫做编码（encoder），从隐层到输出叫做解码（decoder）：
稀疏自编码器（SAE）
用于降维的自编码器有一个缺点，那就是我们需要设定好隐层的维度，在网络结构确定的情况下，隐。解决这个问题的思路是将隐层的维度扩大，让神经网络自己习得一个稀疏编码（大部分的神经元为零），高维但稀疏的表示更加灵活，更加符合我们的需要。
但如果我们将隐层的维度增加到比输入还高，那么这一层很有可能只是在执行复制操作。所以我们需要在损失函数中加入惩罚项来达到这一效果，原本的损失函数只是度量了输入与输出之间的差异：
600600600
如图，我们将输入破坏，作为新的输入，以此来训练模型。
随之而来的问题是，我们会对隐层的维度不做要求，它可大可小，只要能执行去噪任务即可，一定程度上也可以实现去噪效果，但噪声一般比较小，即使执行复制任务，最后的损失函数可能也不会很大，甚至会出现Loss太小，参数更新非常慢的情况，那么我们还可以在损失函数中加入一个惩罚项：
读芯君开扒
课堂TIPS
? 除了普通的AE，DAE，SAE，我们还会在后续课程中介绍一种叫做VAE的生成式模型，与GAN放在一起。对于聚类问题，SOM网络通过保持拓扑性质可以直接打到聚类的目的，这一部分对于初学者理解起来较为困难，所以仍然在后面的课程中。
"
留言 点赞 发个朋友圈
我们一起分享AI学习与发展的干货
作者：唐僧不用海飞丝
如需转载，请后台留言，遵守转载规范
AI课堂开讲，就差你了！
很多人说，看了再多的文章，可是没有人手把手地教授，还是很难真正地入门AI。为了将AI知识体系以最简单的方式呈现给你，从这个星期开始，芯君邀请AI专业人士开设“周末学习课堂”——每周就AI学习中的一个重点问题进行深度分析，课程会分为理论篇和代码篇，理论与实操，一个都不能少！
来，退出让你废寝忘食的游戏页面，取消只有胡吃海塞的周末聚会吧。未来你与同龄人的差异，也许就从每周末的这堂AI课开启了！
读芯术读者交流群，请加小编微信号：zhizhizhuji。等你。后台回复“周末AI课堂”，查阅相关源代码。
全文共2849字，预计学习时长6分钟
简单Auto-Encoder的常用形式
作为一种无监督学习的简单模型，它有三个组成部分：输入，隐层，输出，由输入到隐层叫做编码（encoder），从隐层到输出叫做解码（decoder）：
稀疏自编码器（SAE）
用于降维的自编码器有一个缺点，那就是我们需要设定好隐层的维度，在网络结构确定的情况下，隐。解决这个问题的思路是将隐层的维度扩大，让神经网络自己习得一个稀疏编码（大部分的神经元为零），高维但稀疏的表示更加灵活，更加符合我们的需要。
但如果我们将隐层的维度增加到比输入还高，那么这一层很有可能只是在执行复制操作。所以我们需要在损失函数中加入惩罚项来达到这一效果，原本的损失函数只是度量了输入与输出之间的差异：
600600600 如图，我们将输入破坏，作为新的输入，以此来训练模型。
随之而来的问题是，我们会对隐层的维度不做要求，它可大可小，只要能执行去噪任务即可，一定程度上也可以实现去噪效果，但噪声一般比较小，即使执行复制任务，最后的损失函数可能也不会很大，甚至会出现Loss太小，参数更新非常慢的情况，那么我们还可以在损失函数中加入一个惩罚项：
读芯君开扒
课堂TIPS
? 除了普通的AE，DAE，SAE，我们还会在后续课程中介绍一种叫做VAE的生成式模型，与GAN放在一起。对于聚类问题，SOM网络通过保持拓扑性质可以直接打到聚类的目的，这一部分对于初学者理解起来较为困难，所以仍然在后面的课程中。
" 留言 点赞 发个朋友圈
我们一起分享AI学习与发展的干货
作者：唐僧不用海飞丝
如需转载，请后台留言，遵守转载规范