机器学习入门之无监督学习(四)

本文主要介绍深度自动编码器(Deep Auto encoder)，做的事情还是降维，不过降维的时候是使用神经网络。

把很多隐藏层的神经网络当成编码器，输入一个图像后能得到一个编码。比如传入784维的手写数字，得到的编码通常会小于784维。

现在问题是我们如何得到这样一个编码器呢。要训练这个编码器我们需要同时训练一个解码器，能更加编码解码成原来的784维图像数据。

这件事情其实和PCA很像。

PCA做的事情是输入一个经过归一化的向量xxx然后乘上一个矩阵WWW得到一组编码ccc，再把这组编码ccc乘上同一组权重的转置WTW^TWT得到x^\hat{x}x^。

把这个结构看成NN的话，xxx就是输入层，ccc就是中间的隐藏层，x^\hat{x}x^就是输出层。我们把这里的隐藏层称之为瓶颈层(bottleneck layer)。从xxx到ccc的过程就是编码，从ccc到x^\hat{x}x^的过程就是解码。

自动编码器的神经网络深一点就成了深度自动编码器。和PCA比起来就是多加了一些隐藏层而已。

加了很多层隐藏层后得到bottele层就是编码，后面又经过很多隐藏层做的是解码，我们希望输入的xxx和最后输出的x^\hat{x}x^越接近越好。

有时候我们会让这个编码器和解码器做一下参数的限制。上面说了，在做PCA时，编码和解码的参数互为转置，我们在做自动编码时也希望如此。

看下效果如何。

蓝框标出的是经过PCA编码后降成30维，再解码回来后的样子，会看到比原图(第一个数字图片)模糊了不少；而经过深度自动编码后的几乎和原图一样清晰。

但是这不是重点，重点是编码有多好。

如果用PCA降到2维的话，结果可以看到很差，基本上都无法区分了。

而用自动编码做到2维，得到的结果好得多。我们还可以通过去噪自动编码(de-noising auto-encoder)来使的自动编码训练的更好。

我们在原来输入xxx上面加上噪声，得到新的输入x′x^\primex′，这样不止需要做压缩，还需要把噪声去掉才能使得输出和原来的输入xxx接近。

这个图是上篇文章介绍的直接用像素点做t-SNE的结果，可以看到，4、9是区分不了的。

如果先用PCA降到32维，再做t-SNE的结果是这样，4和9只是稍微分开了一点，但是还是很接近。

如果用自动编码来得到一个编码器后，然后我们用这个编码器来编码新的图片得到新的编码。上面的结果都是新的图片，是它在训练的时候没有见过的图片。可以看到不同颜色的数据点分得还是比较开的。

自动编码不仅可以用到图像上，还可以用于文本检索。比如输入一段文字，检索出来在哪些文章中出现过。

如何做文本检索呢，有个传统的方法叫向量空间模型(vector space model)。

把每个文档(就是每篇文章)和检索的文本(query)都用一个向量表示。然后看这个query和哪些文档的相似度高。

最简单的做法是通过词袋(bag-of-word)的方法，它会开一个很高维的空间，它的维度就是现在它能观察到的所有的词汇。假设英文共有10万个词汇，那它的维度就是10万维。每个维度对应到一个词汇。

以"This is an apple"为例，“this”(经过了大小写转换)出现在这个句子中，它对应的维度值就是1,没有出现的词汇维度就是0。上面就是描述这句话的一个向量。

这种方法虽然很简单，但是没有考虑到语义，同义词无法体现在这个模型中。

一种改进方法是加一个自动编码器，把2000维的词袋降成2维。

如果可视化这些2维点的话，就是下面这样子。

它的分布像一朵花一样，不同类别的文章就是一个花瓣。

然后搜索的时候，输入一个查询(query)，落到红点的地方，就可以找到这个类别所有的文章。

虽然在这个类别的文章中，某些文章可能没有和你查询一样的词汇，但是通过自动编码降维后，机器可以把同类的文章找出来。

如果使用传统的线性LSA方法得到的结果会很差。

图片搜索就是检索相似图片，以图找图。

比如要搜索迈克尔·杰克逊的图片，如果使用欧几里得距离计算像素点的距离，机器会与图片库中的所有图片进行距离计算，越小说明越相似。得到的结果是后面这些，可以看出来很不准确。

如果使用自动编码器的话，需要训练一个编码器，把图片丢到这个编码器后，经过很多层的转换后变成256维度的编码，然后再把它解码成原来的图像。

然后解码后的图像是后面这样子的。

虽然解码后很模糊，但这不是重点，重点是我们可以拿那个编码做相似度计算。

我们把它编码到256维后，进行相似搜索得到的图片是上面的样子，虽然还是很不像，因为迈克尔的头发比较长，甚至返回的图片都是女性，但是至少返回的都是人脸了。不像上个图片，啥都有。

上面讲的做自动编码的神经网络都是全连接的，
如果处理的是图像的话，完全可以用CNN(卷积神经网络)来做。

拿到一幅图像，把它做Convolution，然后再做Pooling，再做Convolution，再做Pooling就得到编码；解码的话做Deconvolution和Unpooling。最终使得输出的图像和原图越接近越好。

做Max Pooling的时候，我们把Filter的输出，四个一组，选一个最大的，就得到右上角那个Pooled Map。同时左上角那个图片说的是记录哪个位置是最大的。

在做Unpooling的时候就是，有张比较小的图片，我们要把每个像素点扩展成四个。

我们仔细的看黄色的部分，本来Max Pooling取Max的时候是从左上角取，因此，就把原来的黄色像素点放到左上角。剩下的三个点通通补0。

本来原来的图片是14*14，在做Unpooling后会变大，变成原来的两倍。

那Deconvolution怎么做的呢？

事实上Deconvolution就是Convolution。

我们做Convolution的时候，我们把一个区域里面的数据乘上Filter中的3个参数得到一个输出，再移动Filter，乘以同样的参数，得到新的输出。

Deconvolution顾名思义就是反向操作，就是一个值乘上三个不同的权重，得到三个值。

注意会有重叠，我们把重叠的地方加起来。

其实这件事情等同于，把其他地方补很多0(等式右边灰色的就是0)。

看右边的图片会发现和Convolution是一样的，只不过多了一些0而已。

自动编码还可以和监督学习的方法结合，可以用于深度神经网络的预训练(Pre-training)。

比如要做手写数字识别，最终是要把784维的图像转换到10维(哪个维度是1就说明是哪个数字，可以参考手写数字识别)。

我可以预训练一个自动编码器，它是无监督的方法。

可以训练一个编码器，它中间的隐藏层是1000维，输出是784维的x^\hat{x}x^。这里的1000维和DNN的中1000维对应，输出的784维和DNN中输入的维度对应。为了训练好这样一个自动编码器，如何增加一些噪声，做去噪自动编码，这样才会得到比较好的结果，避免它直接把输入抛出来。

我们先训练一个自动编码器，得到权重w1w^1w1和W1′W^{1\prime}W1′。

保留W1W^1W1,接下来把所有的xxx都用W1W^1W1转成一个新的特征，叫做a1a^1a1。

接下来再训练另一个自动编码器，把1000维变成编码，再转回来得到a^1\hat{a}^1a^1，得到权重W2W^2W2。

接下来把所有的xxx通过W1W^1W1和W2W^2W2得到a2a^2a2。

接下来再训练第三个自动编码器，得到W3W^3W3。

接下来把W1,W2,W3W^1,W^2,W^3W1,W2,W3当做神经网络的初始参数，把最后的输出层接上去，输出层做随机初始就好。

最后用反向传播算法来微调所有的参数。这样就可以用自动编码器来预训练一个比较深的网络。

1.李宏毅机器学习

学习 无监督学习 监督学习 机器学习入门 机器学习