知识卡片
稀疏自编码器
稀疏自编码器通过在损失目标中施加约束来控制容量、防止过拟合:在损失函数里加入 L1 范数正则化项引入稀疏约束,使隐藏表示稀疏且被放大。为让稀疏效果可辨,实验只用 5% 数据训练;先用常规深度 AE(学习率 0.0008、30 周期)做基准,精确召回曲线下面积约 0.66。随后在编码器第一层加 activity_regularizer=regularizers.l1(3e-5),其余不变,面积约 0.70,高于基准。可见小样本下 L1 稀疏约束确实有助于学到更有区分度的表示,呼应 [[自编码器的发展路径]] 中稀疏变体的初衷。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
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
- 受限玻尔兹曼机和自编码器 自编码器变体与信用卡欺诈检测 · 查看原书依据
在训练神经网络时,我们通常会在损失目标函数中施加约束,以控制网络的容量并防止过拟合。 自编码器也不例外。 我们可以在自编码器的损失函数中添加 L1 范数正则化项,从而引入稀疏约束。 这种自编码器称为稀疏自编码器。
参考来源
- 位置:《Python深度学习架构实用指南(初译)》第03章《受限玻尔兹曼机和自编码器》(源文件:`../../book-sources/extracted/Python深度学习架构实用指南(初译)/_epub-src/OEBPS/Text/06.html`,来源项目 a19c7933-4eda-4176-aebd-30fe7e1ad292)
- 结论依据:原文说明在损失函数中加 L1 范数正则化项即引入稀疏约束、控制容量并防过拟合,支撑稀疏自编码器的定义与动机。
- 原始内容:在训练神经网络时,我们通常会在损失目标函数中施加约束,以控制网络的容量并防止过拟合。 自编码器也不例外。 我们可以在自编码器的损失函数中添加 L1 范数正则化项,从而引入稀疏约束。 这种自编码器称为稀疏自编码器。