无监督学习算法Autoencoder

原文链接：https://blog.csdn.net/u010089444/article/details/52601193
本文在原文基础上画了重点，以及加入了自己的理解。

Autoencoder

Autoencoder是一种无监督的学习算法，主要用于数据的降维或者特征的抽取，在深度学习中，Autoencoder可用于在训练阶段开始前，确定权重矩阵W的初始值。

神经网络中的权重矩阵W可看作是对输入的数据进行特征转换，即先将数据编码为另一种形式，然后在此基础上进行一系列学习。
（类似于注意力机制中的q、k、v矩阵进行数据转换）

然而，在对权重初始化时，我们并不知道初始的权重值在训练时会起到怎样的作用，也不知道在训练过程中权重会怎样的变化。因此一种较好的思路是，利用初始化生成的权重矩阵进行编码时，我们希望编码后的数据能够较好的保留原始数据的主要特征。
那么，如何衡量编码后的数据是否保留了较完整的信息呢？
答案是：如果编码后的数据能够较为容易地通过解码恢复成原始数据，我们则认为W较好的保留了数据信息。

例如下图所示，将手写数字图片进行编码，编码后生成的 ϕ1, ϕ2, ϕ3, ϕ4, ϕ5, ϕ6 较完整的保留了原始图像的典型特征，因此可较容易地通过解码恢复出原始图像。

Autoencoder通过神经网络进行预训练，从而确定W的初始值。其目标是让输入值等于输出值。如下图所示：首先用W对输入进行编码，经过激活函数后，再用W的转置矩阵进行解码，从而使得 h(x) ≈ x。该过程可以看作是对输入数据的压缩编码，将高维的原始数据用低维的向量表示，使压缩后的低维向量能保留输入数据的典型特征，从而能够较为方便的恢复原始数据。
需要注意的是：这里增加了一个约束条件，即在对数据进行编码和解码时，使用的是同一个参数矩阵W。该约束可看作是一种regularization，用于减少参数的个数，控制模型的复杂度。

对于多层神经网络的参数初始化问题，我们可以依次对每一层进行autoencoder。如下图所示，具体做法是首先按照上述方法确定第一层的权重参数，然后固定第一层的参数，对第二层的参数进行训练，以此类推，直到得到所有权重值。
autoencoder通过神经网络进行预训练，训练过程中会更新权重值，参数更新方法和标准神经网络的训练方法一致。

输入等于输出，所以是无监督学习算法。