UFLDL 09 自我学习 Self-Taught Learning Unsupervised Feature Learning

本文主要是说自我学习和无监督的特征学习，并不是我们之前说的无监督学习的聚类等内容。

1总体思路

这里的自我学习是特征的学习，是通过自编码和稀疏矩阵得到特征。基本思路如下：
1. 大量的无标签数据导入自编码器（autoencoder），得到其更加本质的特征；
2. 有标签数据导入同一个编码器，用得到的特征和标签进行训练，（使用普通的训练方法比如svm等）得到模型；
3. 利用模型进行预测。
补充点细节

2获取特征

这里的说的特征，是利用自编码网络学到的特征，也就是隐含层输出的特征，一般更加本质，如果输入图像一般第一层隐含层学到的是边缘特征，如果是数字一般是笔画特征。

就是这个feature。

3利用特征

上面获取特征的自编码器已经搭建好了，我们现在要做的就是利用他取特征进行训练。
要知道无标签特征可能输入量很大，所以一般可以使用它们比较准确的去得到更加本质的特征。
这里我们将已经标签的数据代入自编码器，得到Features层输出的 a1,a2… ，之后我们有两种利用方式：
1. 直接用新特征来训练模型
2. 用新特征加老特征一起训练模型
其中第二种信息量比较大，一般训练效果要好，但是需要更大的计算能力
然后利用训练的模型进行分类就好了。

4 其他

1. 要注意的是无标签数据不一定是和有标签数据是一样的，可以看到这一节的配套练习中，其无标签数据用的是数字5-9，而有标签的是0-4，一样可以学得到比较好的特征。
2. 数据的预处理要求要相同，比如如果用pca，在输入无标签和有标签数据时左乘的矩阵U都必须相同哈。