知识卡片
表示学习与自编码器
既然手工挑选特征费时费力,而许多任务(如从像素中识别车轮)又难以说清该提取什么,一条出路是让机器学习直接发掘表示本身,而不只是把给定表示映射到输出,这就是表示学习。它学到的表示常比人工设计的更好,且只需极少人工干预就能迁移到新任务。自编码器是典型实现:编码器把输入变换成另一种表示,解码器再把它还原,训练目标是重构时尽量保留信息,同时让新表示具备期望的好性质。通过设计不同的编码器与解码器形式,可以得到不同特性的表示。
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
- · 第1章 引言
原书出处 · 1 处
- 第1章 引言 · 查看原书依据
解决这个问题的途径之一是使用机器学习来发掘表示本身,而不仅仅把表示映射到输出。这种方法我们称之为表示学习 (representation learning)。学习到的表示往往比手动设计的表示表现得更好。
参考来源
- 位置:《深度学习》第1章 引言(源文件:extracted/深度学习/_epub-src/text/part0000_split_000.html)
- 结论依据:原文先指出手工特征在复杂任务上的困难,继而定义表示学习,并给出自编码器的编码器—解码器结构与训练目标。
- 原始内容:解决这个问题的途径之一是使用机器学习来发掘表示本身,而不仅仅把表示映射到输出。这种方法我们称之为表示学习 (representation learning)。学习到的表示往往比手动设计的表示表现得更好。