李宏毅机器学习笔记三

16 Unsupervised Learning: Auto-encoder

PCA是线性的
encoder 在做降维，本身是一个神经网络。

c的维度特别小，称为瓶颈层

auto-encoder 比 PCA多了几层。W的设置，保持对称，可以减少参数，防止过拟合。但并不是必要。

symmetric 对称的，保持平衡的

reconstruct 的loss大小并不是重点，直接令输出=输入，loss=0，重要的是code的好坏

每种颜色代表一种数字，可以看出，auto-encoder分的更开

为了auto-encodet做的更好，给input增加噪声，期望 $\hat{x}$ 与 $x$接近。

待续

25-26 Recurrent Neural Network

注：lexicon 全部词汇，词汇表



相同的输入要求有不同输出，这需要NN有记忆功能。


更新记忆：


可见输入相同的$\left[\begin{array}{c}1\\ 1\end{array}\right]$,输出不同，$\left[\begin{array}{c}4\\ 4\end{array}\right]$，$\left[\begin{array}{c}12\\ 12\end{array}\right]$，因为存在记忆。

更新记忆：


改变序列顺序，影响输出，如先输入$\left[\begin{array}{c}2\\ 2\end{array}\right]$，后输$\left[\begin{array}{c}1\\ 1\end{array}\right]$






三个门，每个门有控制信号，决定门打开还是关闭，如在输入门中，门关闭外部的信息就无法读入，输出门关闭信息就无法输出，遗忘门决定信息遗忘（用新的信息代替）或者继续保留，这些门的信息可以学习。

假设cell 的初始值为 c：

各输入门的激活函数一般为sigmoid,那么其输出值为0到1之间的数，为0表示门关闭，1打开

$f(z_i)$ 是控制 $g(z)$ 能否输入的关卡，$f(z_i)=1$，$g(z)$ 值可以直接输入；
$f(z_f)=1$,表示保留记忆

$f(z_0)=0$表示信息无法读出

$x_2=0$ 表示记忆值保持不变

连接更多：

下面是完整形态：

还可以加入窥视孔peephole:

更坏的情况：

梯度爆炸可使用梯度修剪解决

上图说明，RNN不易训练的原因不在于激活函数的选择，而是由于同一结构反复使用

RNN的记忆值每个时间都会被洗掉，而LSTM则保留了上一个记忆，所以不会梯度消失

未完待续。。。