linear decoder
Deep learning：二十二(linear decoder练习)
Deep learning：二十二(linear decoder练习)
前言：
本节是练习Linear decoder的应用，关于Linear decoder的相关知识介绍请参考： Deep learning ：十七 (Linear Decoders ， Convolution 和 Pooling) ，实验步骤参考 Exercise: Implement deep networks for digit classification 。本次实验是用linear decoder的sparse autoencoder来训练出stl-10数据库图片的patch特征。并且这次的训练权值是针对rgb图像块的。
基础知识：
PCA Whitening是保证数据各维度的方差为1，而ZCA Whitening是保证数据各维度的方差相等即可，不一定要唯一。并且这两种whitening的一般用途也不一样，PCA Whitening主要用于降维且去相关性，而ZCA Whitening主要用于去相关性，且尽量保持原数据。
Matlab的一些知识：
函数句柄的好处就是把一个函数作为参数传入到本函数中，在该函数内部可以利用该函数进行各种运算得出最后需要的结果，比如说函数中要用到各种求导求积分的方法，如果是传入该函数经过各种运算后的值的话，那么在调用该函数前就需要不少代码，这样比较累赘，所以采用函数句柄后这些代码直接放在了函数内部，每调用一次无需在函数外面实现那么多的东西。
Matlab中保存各种数据时可以采用save函数，并将其保持为.mat格式的，这样在matlab的current folder中看到的是.mat格式的文件，但是直接在文件夹下看，它是不直接显示后缀的，且显示的是Microsoft Access Table Shortcut，也就是.mat的简称。
关于实验的一些说明：
在Ng的教程和实验中，它的输入样本矩阵是每一列代表一个样本的，列数为样本的总个数。
matlab中矩阵64*10w大小肯定是可以的。
在本次实验中，ZCA Whitening是针对patches进行的，且patches的均值化是对每一维进行的（感觉这种均值化比较靠谱，前面有文章是进行对patch中一个样本求均值，感觉那样很不靠谱，不过那是在natural image中做的，因为natural image每一维的统计特性都一样，所以可以那样均值化，但还是感觉不太靠谱）。因为使用的是ZCA whitening，所以新的向量并没有进行降维，只是去了相关性和让每一维的方差都相等而已。另外，由此可见，在进行数据Whitening时并不需要对原始的大图片进行whitening，而是你用什么数据输入网络去训练就对什么数据进行whitening，而这里，是用的小patches来训练的，所以应该对小patches进行whitening。
关于本次实验的一些数据和变量分配如下：
总共需训练的样本矩阵大小为192*100000。因为输入训练的一个patch大小为8*8的，所以网络的输入层节点数为192（=8*8*3，因为是3通道的，每一列按照rgb的顺序排列），另外本次试验的隐含层个数为400，权值惩罚系数为0.003，稀疏性惩罚系数为5，稀疏性体现在3.5%的隐含层节点被激发。ZCA白化时分母加上0.1的值防止出现大的数值。
用的是Linear decoder，所以最后的输出层的激发函数为1，即输出和输入相等。这样在问题内部的计算量变小了点。
程序中最后需要把学习到的网络权值给显示出来，不过这个显示的内容已经包括了whitening部分了，所以是whitening和sparse autoencoder的组合。程序中显示用的是displayColorNetwork( (W*ZCAWhite)');
这里为什么要用(W*ZCAWhite)'呢？首先，使用W*ZCAWhite是因为每个样本x输入网络，其输出等价于W*ZCAWhite*x；另外，由于W*ZCAWhite的每一行才是一个隐含节点的变换值,而displayColorNetwork函数是把每一列显示一个小图像块的，所以需要对其转置。
实验结果：
原始图片截图：
ZCA Whitening后截图;
学习到的400个特征显示如下：
实验主要部分代码：
%% CS294A/ CS294W Linear Decoder Exercise
% Instructions
% ------------
%
% This file contains code that helps you get started on the
% linear decoder exericse. For this exercise, you will only need to modify
% the code in sparseAutoencoderLinearCost.m. You will not need to modify
% any code in this file .
%%======================================================================
%% STEP 0 : Initialization
% Here we initialize some parameters used for the exercise.
imageChannels = 3 ; % number of channels (rgb, so 3 )
patchDim = 8 ; % patch dimension
numPatches = 100000 ; % number of patches
visibleSize = patchDim * patchDim * imageChannels; % number of input units
outputSize = visibleSize; % number of output units
hiddenSize = 400 ; % number of hidden units % 中间的隐含层还变多了
sparsityParam = 0.035 ; % desired average activation of the hidden units .
lambda = 3e- 3 ; % weight decay parameter
beta = 5 ; % weight of sparsity penalty term
epsilon = 0.1 ; % epsilon for ZCA whitening
%%======================================================================
%% STEP 1 : Create and modify sparseAutoencoderLinearCost.m to use a linear decoder,
% and check gradients
% You should copy sparseAutoencoderCost.m from your earlier exercise
% and rename it to sparseAutoencoderLinearCost.m.
% Then you need to rename the function from sparseAutoencoderCost to
% sparseAutoencoderLinearCost, and modify it so that the sparse autoencoder
% uses a linear decoder instead. Once that is done, you should check
% your gradients to verify that they are correct.
% NOTE : Modify sparseAutoencoderCost first!
% To speed up gradient checking, we will use a reduced network and some
% dummy patches
debugHiddenSize = 5 ;
debugvisibleSize = 8 ;
patches = rand([ 8 10 ]);%随机产生10个样本，每个样本为一个8维的列向量，元素值为0~ 1
theta = initializeParameters(debugHiddenSize, debugvisibleSize);
[cost, grad] = sparseAutoencoderLinearCost(theta, debugvisibleSize, debugHiddenSize, ...
lambda, sparsityParam, beta, ...
patches);
% Check gradients
numGrad = computeNumericalGradient( @(x) sparseAutoencoderLinearCost(x, debugvisibleSize, debugHiddenSize, ...
lambda, sparsityParam, beta, ...
patches), theta);
% Use this to visually compare the gradients side by side
disp([numGrad cost]);
diff = norm(numGrad-grad)/norm(numGrad+ grad);
% Should be small. In our implementation, these values are usually less than 1e- 9 .
disp(diff);
assert (diff < 1e- 9 , ' Difference too large. Check your gradient computation again ' );
% NOTE : Once your gradients check out , you should run step 0 again to
% reinitialize the parameters
% }
%%======================================================================
%% STEP 2 : Learn features on small patches
% In this step, you will use your sparse autoencoder (which now uses a
% linear decoder) to learn features on small patches sampled from related
% images.
%% STEP 2a: Load patches
% In this step, we load 100k patches sampled from the STL10 dataset and
% visualize them. Note that these patches have been scaled to [ 0 , 1 ]
load stlSampledPatches.mat
displayColorNetwork(patches(:, 1 : 100 ));
%% STEP 2b: Apply preprocessing
% In this sub-step, we preprocess the sampled patches, in particular,
% ZCA whitening them.
%
% In a later exercise on convolution and pooling, you will need to replicate
% exactly the preprocessing steps you apply to these patches before
% using the autoencoder to learn features on them. Hence, we will save the
% ZCA whitening and mean image matrices together with the learned features
% later on .
% Subtract mean patch (hence zeroing the mean of the patches)
meanPatch = mean(patches, 2 ); % 注意这里减掉的是每一维属性的均值，为什么会和其它的不同呢？
patches = bsxfun(@minus, patches, meanPatch);% 每一维都均值化
% Apply ZCA whitening
sigma = patches * patches ' / numPatches;
[u, s, v] = svd(sigma);
ZCAWhite = u * diag( 1 ./ sqrt(diag(s) + epsilon)) * u ' ;%求出ZCAWhitening矩阵
patches = ZCAWhite * patches;
figure
displayColorNetwork(patches(:, 1 : 100 ));
%% STEP 2c: Learn features
% You will now use your sparse autoencoder ( with linear decoder) to learn
% features on the preprocessed patches. This should take around 45 minutes.
theta = initializeParameters(hiddenSize, visibleSize);
% Use minFunc to minimize the function
addpath minFunc /
options = struct;
options.Method = ' lbfgs ' ;
options.maxIter = 400 ;
options.display = ' on ' ;
[optTheta, cost] = minFunc( @(p) sparseAutoencoderLinearCost(p, ...
visibleSize, hiddenSize, ...
lambda, sparsityParam, ...
beta, patches), ...
theta, options); % 注意它的参数
% Save the learned features and the preprocessing matrices for use in
% the later exercise on convolution and pooling
fprintf( ' Saving learned features and preprocessing matrices...\n ' );
save( ' STL10Features.mat ' , ' optTheta ' , ' ZCAWhite ' , ' meanPatch ' );
fprintf( ' Saved\n ' );
%% STEP 2d: Visualize learned features
W = reshape(optTheta( 1 :visibleSize * hiddenSize), hiddenSize, visibleSize);
b = optTheta( 2 *hiddenSize*visibleSize+ 1 : 2 *hiddenSize*visibleSize+ hiddenSize);
figure;
%这里为什么要用(W*ZCAWhite) ' 呢？首先，使用W*ZCAWhite是因为每个样本x输入网络，
%其输出等价于W*ZCAWhite*x；另外，由于W* ZCAWhite的每一行才是一个隐含节点的变换值
% 而displayColorNetwork函数是把每一列显示一个小图像块的，所以需要对其转置。
displayColorNetwork( (W *ZCAWhite) ' );
参考资料：
Deep learning ：十七 (Linear Decoders ， Convolution 和 Pooling)
Exercise: Implement deep networks for digit classification
作者：tornadomeet 出处：http://HdhCmsTestcnblogs测试数据/tornadomeet 欢迎转载或分享，但请务必声明文章出处。
分类: 机器学习
标签: 机器学习
作者： Leo_wl
出处： http://HdhCmsTestcnblogs测试数据/Leo_wl/
本文版权归作者和博客园共有，欢迎转载，但未经作者同意必须保留此段声明，且在文章页面明显位置给出原文连接，否则保留追究法律责任的权利。
版权信息