知识卡片
无监督与随机特征
卷积网络训练中最贵的是学特征,输出层相对便宜。于是可不靠监督方式得到卷积核:随机初始化、手工设计(如定向边缘检测器),或用无监督标准学习(如对图像小块做 k 均值,用学到的中心当核)。这样特征的确定与顶层分类层解耦,只需提取一次特征再训练最后的凸分类器。随机过滤器常表现得出乎意料地好——卷积加池化在随机权重下也自带频率选择性与平移不变性,因此可先只训最后一层来快速比较不同结构的优劣。折中方案是贪心逐层预训练(如卷积深度信念网络),甚至只训小块模型再以其参数定义核,全程不用卷积、只在推断时付出计算。如今数据大、算力足,多数网络改用纯监督端到端训练。
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9章 卷积网络
原书出处 · 1 处
- 第9章 卷积网络 · 查看原书依据
有三种基本策略可以不通过监督训练而得到卷积核。其中一种是简单地随机初始化它们。另一种是手动设计它们,例如设置每个核在一个特定的方向或尺度来检测边缘。最后,可以使用无监督的标准来学习核。
参考来源
- 位置:《深度学习》第9章 卷积网络(源文件:extracted/深度学习/_epub-src/text/part0003.html)
- 结论依据:原文列出三种无监督得到卷积核的策略、随机过滤器的有效性及贪心逐层预训练,并说明其流行背景与现状。
- 原始内容:有三种基本策略可以不通过监督训练而得到卷积核。其中一种是简单地随机初始化它们。另一种是手动设计它们,例如设置每个核在一个特定的方向或尺度来检测边缘。最后,可以使用无监督的标准来学习核。