充分利用無監督學習的數據瞭解到表示在pylearn2

我們可以在pylearn2使用以下YAML文件訓練自動編碼器（連同pylearn2 /腳本/ train.py）充分利用無監督學習的數據瞭解到表示在pylearn2

!obj:pylearn2.train.Train { 
    dataset: &train !obj:pylearn2.datasets.mnist.MNIST { 
     which_set: 'train', 
     start: 0, 
     stop: 50000 
    }, 
    model: !obj:pylearn2.models.autoencoder.DenoisingAutoencoder { 
     nvis : 784, 
     nhid : 500, 
     irange : 0.05, 
     corruptor: !obj:pylearn2.corruption.BinomialCorruptor { 
      corruption_level: .2, 
     }, 
     act_enc: "tanh", 
     act_dec: null, # Linear activation on the decoder side. 
    }, 
    algorithm: !obj:pylearn2.training_algorithms.sgd.SGD { 
     learning_rate : 1e-3, 
     batch_size : 100, 
     monitoring_batches : 5, 
     monitoring_dataset : *train, 
     cost : !obj:pylearn2.costs.autoencoder.MeanSquaredReconstructionError {}, 
     termination_criterion : !obj:pylearn2.termination_criteria.EpochCounter { 
      max_epochs: 10, 
     }, 
    }, 
    save_path: "./dae_l1.pkl", 
    save_freq: 1 
}

我們得到的是學習autoencoder模型爲「dae_l1.pkl」。

如果我想使用這個模型進行監督訓練，我可以使用「dae_l1.pkl」來初始化MLP的圖層。然後我可以訓練這個模型。我甚至可以用'fprop'函數來預測模型的輸出。

但是如果我想要使用這個預訓練模型進行監督式學習，我只想用自動編碼器保存我的數據的新知識表示。

我該怎麼做？

更詳細的問題是把here

來源

2014-09-21 Abhishek

醃製的模型應該這樣做的reconstruct方法 - 我相信用法是一樣的fprop。

來源

2014-09-23 14:09:31

我想你可以使用autoencoder的編碼和解碼功能來獲得隱藏的表示。 E.g：

l1_path = 'dae_l1.pkl' 
l1 = serial.load(l1_path) 
"""encode""" 
#layer 1 
l1Input = l1.get_input_space().make_theano_batch() 
l1Encode = l1.encode(l1Input) 
l1Decode = l1.decode(l1Encode) 
l1EncodeFunction = theano.function([l1Input], l1Encode) 
l1DecodeFunction = theano.function([l1Encode], l1Decode)

然後，表示將是：

l1encode = l1EncodeFunction(YourData)

來源

2015-07-22 00:14:25 iTS

充分利用無監督學習的數據瞭解到表示在pylearn2

回答

相關問題