分类问题的卷积自动编码器答案

【问题标题】：Convolutional Autoencoder for classification problem分类问题的卷积自动编码器
【发布时间】：2020-08-20 17:56:57
【问题描述】：

我正在关注 Datacamp 关于使用卷积自动编码器进行分类的教程here。我在教程中了解到，我们只需要将自动编码器的头部（即编码器部分）堆叠到一个全连接层来进行分类。

堆叠后，生成的网络（卷积自动编码器）被训练两次。首先通过将编码器的权重设置为 false 为：

for layer in full_model.layers[0:19]:
    layer.trainable = False

然后设置回true，重新训练网络：

for layer in full_model.layers[0:19]:
    layer.trainable = True

我不明白为什么我们要这样做两次。有使用 conv-net 或自动编码器经验的人吗？

【问题讨论】：

【解决方案1】：

这是因为前 19 层已经在这一行训练过：

autoencoder_train = autoencoder.fit(train_X, train_ground, batch_size=batch_size,epochs=epochs,verbose=1,validation_data=(valid_X, valid_ground))

自动编码器的重点是降维。假设您有 1000 个功能，并且您想将其减少到 100 个功能。您使用编码器层和解码器层训练自动编码器。重点是可以将编码后的特征（由编码器层输出）解码回原始特征。

在训练自动编码器后，解码器部分被丢弃，而是在编码器层之上添加一个全连接分类层，以从一组减少的特征中训练分类网络。这就是为什么将编码器层trainable 设置为false 以仅训练全连接分类层（以加快训练速度）。

编码器层trainable再次设置为true的原因是为了训练整个网络，这可能会很慢，因为更改会反向传播到整个网络。

【讨论】：