Kri*_*tof 3 machine-learning neural-network unsupervised-learning autoencoder deep-learning
在场景 1 中，我有一个多层稀疏自动编码器，它试图重现我的输入，因此我的所有层都与随机启动的权重一起训练。没有监督层，在我的数据上这没有学到任何相关信息（代码工作正常，经过验证，因为我已经在许多其他深度神经网络问题中使用了它）
在场景 2 中，我只是在类似于深度学习的贪婪逐层训练中训练多个自动编码器（但最终没有监督步骤），每一层都在前一个自动编码器的隐藏层的输出上。他们现在将分别学习一些模式（正如我从可视化权重中看到的），但并不像我从单层 AE 中所期望的那样出色。
所以我决定尝试现在连接到 1 个多层 AE 的预训练层是否可以比随机初始化版本表现更好。如您所见，这与深度神经网络中微调步骤的想法相同。
但是在我的微调过程中，所有层的神经元似乎都没有得到改进，而是迅速收敛到一个完全相同的模式，最终什么也没学到。
问题：训练完全无监督的多层重建神经网络的最佳配置是什么？首先分层，然后进行某种微调？为什么我的配置不起作用？
经过一些测试后，我想出了一种方法，该方法似乎可以提供非常好的结果，并且正如您对“微调”所期望的那样，它提高了所有层的性能：
就像往常一样，在贪婪的逐层学习阶段，每个新的自动编码器都会尝试重建前一个自动编码器隐藏层的激活。然而，最后一个自动编码器（在微调期间将是我们多层自动编码器的最后一层）是不同的，这个自动编码器将使用前一层的激活并尝试重建“全局”输入（即原始输入被送到第一层）。
这样，当我连接所有层并将它们训练在一起时，多层自动编码器将在最终输出中真正重建原始图像。我发现即使没有监督步骤，学习的特征也有了巨大的改进。
我不知道这是否应该以某种方式与标准实现相对应，但我以前从未在任何地方找到过这个技巧。