自动编码器
编辑自动编码器是一种监督式学习,它在三层神经网络中的输入层和输出层使用相同的数据。这是反向传播的特例。由于学习是通过反向传播进行的,因此成为非线性优化问题。中间层和输出层的激活功能可以任意选择。当教师数据是真实值且没有范围时,通常选择输出层的激活功能作为身份映射(即,什么都没有改变)。如果选择中间层的激活功能作为身份映射,则结果与主成分分析几乎相同。
稀疏自动编码器
编辑稀疏自动编码器(sparse autoencoder)是一种自动编码器,它添加了正则化项,以提高学习前馈神经网络的泛化能力。但是,代替网络权重,中间层本身的值接近0。
深度自动编码器
编辑神经网络中间层有两层或更多层深的神经网络(英文:深神经网络)并且被称为,在反向传播,在中间层是两层或更多层,通常是不适当的局部最小值收敛到它不会工作。因此,当堆叠两个或更多中间层时,首先仅创建一个中间层,然后删除输出层,将中间层视为输入层,然后再堆叠一层。2006年,Jeffrey Hinton等人。
Jeffrey Hinton等人在2006年发表的论文中介绍了一个示例,其中图像尺寸从2000→1000→500→30减小,恢复为30→500→1000→2000。
去噪自动编码器
编辑这是通过在输入层的数据中添加噪声来学习的。结果几乎与约束Boltzmann机相同。如果概率分布已知,则xxx遵循噪声,但如果未知,则噪声可能是均匀分布。
内容由匿名用户提供,本内容不代表vibaike.com立场,内容投诉举报请联系vibaike.com客服。如若转载,请注明出处:https://vibaike.com/102145/