如何训练和微调完全无监督的深度神经网络？

Question

在场景 1 中，我有一个多层稀疏自动编码器，它试图重现我的输入，因此我的所有层都与随机启动的权重一起训练。如果没有监督层，在我的数据上这并没有学习任何相关信息（代码运行良好，经过验证，因为我已经在许多其他深度神经网络问题中使用过它）

在场景 2 中，我只是在类似于深度学习的贪婪逐层训练中训练多个自动编码器（但最后没有监督步骤），每一层在前一个隐藏层的输出上自动编码器。他们现在将分别学习一些模式（正如我从可视化权重中看到的那样），但并不像我所期望的那样来自单层 AE。

所以我决定尝试现在连接到 1 个多层 AE 的预训练层是否可以比随机初始化的版本执行得更好。如您所见，这与深度神经网络中微调步骤的想法相同。

但是在我的微调过程中，所有层的神经元似乎都很快收敛到一个完全相同的模式，最终什么也没学到。

问题：训练完全无监督的多层重建神经网络的最佳配置是什么？首先分层，然后进行某种微调？为什么我的配置不起作用？

Answer 1

经过一些测试，我想出了一种方法，似乎可以提供非常好的结果，并且正如您所期望的“微调”，它提高了所有层的性能：

就像往常一样，在贪婪的逐层学习阶段，每个新的自动编码器都会尝试重建前一个自动编码器隐藏层的激活。然而，最后一个自动编码器（在微调期间将是我们多层自动编码器的最后一层）不同，这一层将使用前一层的激活并尝试重建“全局”输入（即原始输入）被馈送到第一层）。

这样，当我将所有层连接起来并一起训练时，多层自动编码器将真正重建最终输出中的原始图像。我发现即使没有监督步骤，学习的特征也有了很大的改进。

我不知道这是否应该以某种方式与标准实现相对应，但我之前在任何地方都没有发现这个技巧。