深度学习算法--自动编码器

深度学习最常见的一种算法，就是自动编码器算法了。

这种算法的大致思想是：将神经网络的隐含层看成是一个编码器和解码器，输入数据经过隐含层的编码和解码，到达输出层时，确保输出的结果尽量与输入数据保持一致。也就是说，隐含层是尽量保证输出数据等于输入数据的。  这样做的一个好处是，隐含层能够抓住输入数据的特点，使其特征保持不变。例如，假设输入层有100个神经元，隐含层只有50个神经元，输出层有100个神经元，通过自动编码器算法，我们只用隐含层的50个神经元就找到了100个输入层数据的特点，能够保证输出数据和输入数据大致一致，就大大降低了隐含层的维度。

既然隐含层的任务是尽量找输入数据的特征，也就是说，尽量用最少的维度来代表输入数据，因此，我们可以想象，隐含层各层之间的参数构成的参数矩阵，应该尽量是个稀疏矩阵，即各层之间有越多的参数为0就越好。 

假设隐含层每个神经元的平均激活值为：


 
 ，其中 

 表示在给定输入为

情况下，自编码神经网络隐藏神经元

的激活值，由各层参数

和偏置项

，以及输入数据构成。

我们的目标是，让尽可能多的神经元处于抑制状态，即 

 越小越好，于是令：



其中

是稀疏性参数，通常是接近0的最小值。

为了使

尽可能地接近

，我们采用 相对熵
 类似的概念来刻画

与

的接近程度（相对熵用来描述两个随机分布的差异程度，两个分布差异越大，其对应的相对熵也越大，如果两个分布相同，则它们的相对熵为0。设两个分布的概率密度函数分别为p(x)和q(x)，则他们的信息熵为：

）。因此，我们构造函数（也成惩罚因子）：



令

，则上式也可表示为：



最后，把我们自动编码器模型的目标函数设为：



其中，



称为全局代价函数，

 为惩罚因子的权重。这个全局目标函数，是关于参数

和

的函数。通过类似反向梯度求导算法，求得
min

 时各参数的值，即可得到局部最优解。