自動編碼器（Auto-Encoder，AE）

自編碼器（autoencoder）是神經(jīng)網(wǎng)絡(luò)的一種，經(jīng)過訓(xùn)練后能嘗試將輸入復(fù)制到輸出。自編碼器內(nèi)部有一個隱藏層 h，可以產(chǎn)生編碼（code）表示輸入。該網(wǎng)絡(luò)可以看作由兩部分組成：一個由函數(shù) h = f(x) 表示的編碼器和一個生成重構(gòu)的解碼器 r = g(h)。我們不應(yīng)該將自編碼器設(shè)計成輸入到輸出完全相等。這通常需要向自編碼器強(qiáng)加一些約束，使它只能近似地復(fù)制，并只能復(fù)制與訓(xùn)練數(shù)據(jù)相似的輸入。

自動編碼機(jī)由三層網(wǎng)絡(luò)組成，其中輸入層神經(jīng)元數(shù)量與輸出層神經(jīng)元數(shù)量相等，中間層神經(jīng)元數(shù)量少于輸入層和輸出層。搭建一個自動編碼器需要完成下面三樣工作：搭建編碼器，搭建解碼器，設(shè)定一個損失函數(shù)，用以衡量由于壓縮而損失掉的信息（自編碼器是有損的）。編碼器和解碼器一般都是參數(shù)化的方程，并關(guān)于損失函數(shù)可導(dǎo)，典型情況是使用神經(jīng)網(wǎng)絡(luò)。編碼器和解碼器的參數(shù)可以通過最小化損失函數(shù)而優(yōu)化。

自動編碼機(jī)（Auto-encoder）是一個自監(jiān)督的算法，并不是一個無監(jiān)督算法，它不需要對訓(xùn)練樣本進(jìn)行標(biāo)記，其標(biāo)簽產(chǎn)生自輸入數(shù)據(jù)。因此自編碼器很容易對指定類的輸入訓(xùn)練出一種特定的編碼器，而不需要完成任何新工作。自動編碼器是數(shù)據(jù)相關(guān)的，只能壓縮那些與訓(xùn)練數(shù)據(jù)類似的數(shù)據(jù)。比如，使用人臉訓(xùn)練出來的自動編碼器在壓縮別的圖片，比如樹木時性能很差，因為它學(xué)習(xí)到的特征是與人臉相關(guān)的。

自動編碼器運(yùn)算過程：原始input（設(shè)為x）經(jīng)過加權(quán)（W、b)、映射（Sigmoid）之后得到y(tǒng)，再對y反向加權(quán)映射回來成為z。通過反復(fù)迭代訓(xùn)練兩組（W、b），目的就是使輸出信號與輸入信號盡量相似。訓(xùn)練結(jié)束之后自動編碼器可以由兩部分組成：

1.輸入層和中間層，可以用這個網(wǎng)絡(luò)來對信號進(jìn)行壓縮

2.中間層和輸出層，我們可以將壓縮的信號進(jìn)行還原

降噪自動編碼器（Denoising Auto Encoder，DAE）

降噪自動編碼器就是在自動編碼器的基礎(chǔ)之上，為了防止過擬合問題而對輸入層的輸入數(shù)據(jù)加入噪音，使學(xué)習(xí)得到的編碼器具有魯棒性而改進(jìn)的，是Bengio在08年論文：Extracting and composing robust features with denoising autoencoders提出的。

論文中關(guān)于降噪自動編碼器的示意圖如下，類似于dropout，其中x是原始的輸入數(shù)據(jù)，降噪自動編碼器以一定概率（通常使用二項分布）把輸入層節(jié)點(diǎn)的值置為0，從而得到含有噪音的模型輸入x?。

這個破損的數(shù)據(jù)是很有用的，原因有二：

1.通過與非破損數(shù)據(jù)訓(xùn)練的對比，破損數(shù)據(jù)訓(xùn)練出來的Weight噪聲比較小。降噪因此得名。原因不難理解，因為擦除的時候不小心把輸入噪聲給×掉了。

2.破損數(shù)據(jù)一定程度上減輕了訓(xùn)練數(shù)據(jù)與測試數(shù)據(jù)的代溝。由于數(shù)據(jù)的部分被×掉了，因而這破損數(shù)據(jù)一定程度上比較接近測試數(shù)據(jù)。訓(xùn)練、測試肯定有同有異，當(dāng)然我們要求同舍異。

堆疊降噪自動編碼器（Stacked Denoising Auto Encoder，SDAE）

SDAE的思想就是將多個DAE堆疊在一起形成一個深度的架構(gòu)。只有在訓(xùn)練的時候才會對輸入進(jìn)行腐蝕(加噪)，訓(xùn)練完成就不需要在進(jìn)行腐蝕。結(jié)構(gòu)如下圖所示：

**逐層貪婪訓(xùn)練：**每層自編碼層都單獨(dú)進(jìn)行非監(jiān)督訓(xùn)練，以最小化輸入（輸入為前一層的隱層輸出）與重構(gòu)結(jié)果之間的誤差為訓(xùn)練目標(biāo)。前K層訓(xùn)練好了，就可以訓(xùn)練K+1層，因為已經(jīng)前向傳播求出K層的輸出，再用K層的輸出當(dāng)作K+1的輸入訓(xùn)練K+1層。

一旦SDAE訓(xùn)練完成, 其高層的特征就可以用做傳統(tǒng)的監(jiān)督算法的輸入。當(dāng)然，也可以在最頂層添加一層logistic regression layer（softmax層），然后使用帶label的數(shù)據(jù)來進(jìn)一步對網(wǎng)絡(luò)進(jìn)行 微調(diào)（fine-tuning） ，即用樣本進(jìn)行有監(jiān)督訓(xùn)練。

審核編輯 hhy