Theano中卷积神经网络的无监督预训练- AskGo

Theano中卷积神经网络的无监督预训练

deep-learning

neural-network

python

theano

我想设计一个具有一个（或多个）卷积层（CNN）和一个或多个完全连接的隐藏层的深层网络。
对于具有完全连接层的深度网络，theano中提供了无监督预训练的方法，例如，使用降噪自动编码器或RBM 。

我的问题是：如何在卷积层中实现无监督的预训练阶段（在theano中）？

我不希望有完整的实现方案作为答案，但是，我希望能链接到好的教程或可靠的参考资料。

参考资料：

Stack Overflow

2020-06-01 20:27:43 更新

笪高达• 667

共 1 个回答

高赞时间活跃

本文介绍了一种用于构建堆叠式卷积自动编码器的方法。基于该论文和一些Google搜索，我得以实现上述网络。基本上，您需要的所有内容都在Theano卷积网络和去噪自动编码器教程中进行了描述，但有一个关键例外：如何逆转卷积网络中的最大池化步骤。在这次讨论中，我能够使用一种方法来解决这一问题 -最棘手的部分是确定W_prime的正确尺寸，因为这些尺寸将取决于前馈滤波器的大小和池比率。这是我的反相函数：

    def get_reconstructed_input(self, hidden):
        """ Computes the reconstructed input given the values of the hidden layer """
        repeated_conv = conv.conv2d(input = hidden, filters = self.W_prime, border_mode='full')

        multiple_conv_out = [repeated_conv.flatten()] * np.prod(self.poolsize)

        stacked_conv_neibs = T.stack(*multiple_conv_out).T

        stretch_unpooling_out = neibs2images(stacked_conv_neibs, self.pl, self.x.shape)

        rectified_linear_activation = lambda x: T.maximum(0.0, x)
        return rectified_linear_activation(stretch_unpooling_out + self.b_prime.dimshuffle('x', 0, 'x', 'x'))

2020-06-01 20:28:51 更新