返回主题:学习范式与泛化边界

此卡片不在当前主题的阅读序列中,可返回主题继续阅读。

知识卡片

普通读书笔记卡 · 3788.o.1

堆叠自编码特征接分类输出

理解等级:中级

案例将原始输入经三层隐层的堆叠自编码特征学习,再接按类别设置的输出层,形成五层分类网络。自编码表示学习与最终类别预测承担不同目标;有标签分类损失用于评价整网输出,不能把整个网络都称为无监督。五层是该案例配置,不是自编码网络必须满足的深度。

这张卡片看不懂?

已有反馈 · 0 条

    还没有人提交反馈。

    在整书笔记中的位置

    原书出处 · 1 处

    • 2 2 . 1 . 1 P S O 自 编 码 网 络 · 查看原书依据

      第2、3、4层为隐层,逐层使用SAE网络对输入数据提取高级特征。第5层为输出层,依照数据类别划分设置,用来输出最终的分类结果。在构建了基本深度网络后,需要用学习算法对网络的权值进行学习和训练。

    参考来源

    - 位置:《智能算法导论》第 211 项《22.1.1 PSO自编码网络》(源文件:`_epub-src/EPUB/xhtml/chapter22_0002.xhtml`) - 结论依据:正文明确输入层、三隐层及分类输出,式22-1采用有标签输出误差;卡片区分表示学习和分类训练。 - 原始内容:第2、3、4层为隐层,逐层使用SAE网络对输入数据提取高级特征。第5层为输出层,依照数据类别划分设置,用来输出最终的分类结果。