從自我學習到深層網絡

在前一節中，我們利用自編碼器來學習輸入至 softmax 或 logistic 回歸分類器的特征。這些特征僅利用未標注數據學習獲得。在本節中，我們描述如何利用已標注數據進行微調，從而進一步優化這些特征。如果有大量已標注數據，通過微調就可以顯著提升分類器的性能。

在自我學習中，我們首先利用未標注數據訓練一個稀疏自編碼器。隨后，給定一個新樣本 ，我們通過隱含層提取出特征。上述過程圖示如下：

我們感興趣的是分類問題，目標是預測樣本的類別標號 。我們擁有標注數據集，包含 個標注樣本。此前我們已經說明，可以利用稀疏自編碼器獲得的特征 來替代原始特征。這樣就可獲得訓練數據集。最終，我們訓練出一個從特征 到類標號 的 logistic 分類器。為說明這一過程，我們按照神經網絡一節中的方式，用下圖描述 logistic 回歸單元（橘黃色）。

考慮利用這個方法所學到的分類器（輸入-輸出映射）。它描述了一個把測試樣本 映射到預測值 的函數。將此前的兩張圖片結合起來，就得到該函數的圖形表示。也即，最終的分類器可以表示為：

該模型的參數通過兩個步驟訓練獲得：在該網絡的第一層，將輸入 映射至隱藏單元激活量 的權值 可以通過稀疏自編碼器訓練過程獲得。在第二層，將隱藏單元 映射至輸出 的權值 可以通過 logistic 回歸或 softmax 回歸訓練獲得。

這個最終分類器整體上顯然是一個大的神經網絡。因此，在訓練獲得模型最初參數（利用自動編碼器訓練第一層，利用 logistic/softmax 回歸訓練第二層）之后，我們可以進一步修正模型參數，進而降低訓練誤差。具體來說，我們可以對參數進行微調，在現有參數的基礎上采用梯度下降或者 L-BFGS 來降低已標注樣本集 上的訓練誤差。

使用微調時，初始的非監督特征學習步驟（也就是自動編碼器和logistic分類器訓練）有時候被稱為預訓練。微調的作用在于，已標注數據集也可以用來修正權值 ，這樣可以對隱藏單元所提取的特征 做進一步調整。

到現在為止，我們描述上述過程時，都假設采用了“替代 (Replacement)”表示而不是“級聯 (Concatenation)”表示。在替代表示中，logistic 分類器所看到的訓練樣本格式為；而在級聯表示中，分類器所看到的訓練樣本格式為。對級聯表示同樣可以進行微調（在級聯表示神經網絡中，輸入值 也直接被輸入至 logistic 分類器。對此前的神經網絡示意圖稍加更改，即可獲得其示意圖。具體的說，第一層的輸入節點除了與隱層聯接之外，還將越過隱層，與第三層輸出節點直接相連）。但是對于微調來說，級聯表示相對于替代表示幾乎沒有優勢。因此，如果需要開展微調，我們通常使用替代表示的網絡（但是如果不開展微調，級聯表示的效果有時候會好得多）。

在什么時候應用微調？通常僅在有大量已標注訓練數據的情況下使用。在這樣的情況下，微調能顯著提升分類器性能。然而，如果有大量未標注數據集（用于非監督特征學習/預訓練），卻只有相對較少的已標注訓練集，微調的作用非常有限。

中英文對照

自我學習 self-taught learning

深層網絡 deep networks

微調 fine-tune

稀疏自編碼器 sparse autoencoder

梯度下降 gradient descent

非監督特征學習 unsupervised feature learning

預訓練 pre-training

from: http://ufldl.stanford.edu/wiki/index.php/%E4%BB%8E%E8%87%AA%E6%88%91%E5%AD%A6%E4%B9%A0%E5%88%B0%E6%B7%B1%E5%B1%82%E7%BD%91%E7%BB%9C

總結

以上是生活随笔為你收集整理的Stanford UFLDL教程 从自我学习到深层网络的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。