Deep Learning笔记1
2015-07-29 22:24
204 查看
若假设输入有范数约束||x||2=∑100i=1x2i≤1||x||^2=\sum_{i=1}^{100} x_i^2\leq1,则可证(请读者自行推导)令隐藏单元ii得到最大激励的输入应由下面公式计算的像素xjx_j给出(共需计算100个像素,j=1,…,100):
xj=W(1)ij∑100j=1(W(1)ij)2√.x_j = \frac{W^{(1)}_{ij}}{\sqrt{\sum_{j=1}^{100} (W^{(1)}_{ij})^2}}.
上图的每个小方块都给出了一个(带有有界范数 的)输入图像\textstyle x,它可使这100个隐藏单元中的某一个获得最大激励。我们可以看到,不同的隐藏单元学会了在图像的不同位置和方向进行边缘检测。
如图是SparseAutoencoderSparse Autoencoder训练出的权值可视化图像
训练样本为64∗1000064 * 10000矩阵(8∗8图像块∗10图∗1000抽样/图8 * 8 图像块 * 10图 * 1000抽样/图)
权值W(1)W^{(1)}为64∗2564 * 25矩阵(8∗8输入∗25隐含层8*8 输入 * 25隐含层)
如果输入图像与第一个图像块一致(在满足上述引用约束条件下),则最有机会使第一个隐含层节点激活。
xj=W(1)ij∑100j=1(W(1)ij)2√.x_j = \frac{W^{(1)}_{ij}}{\sqrt{\sum_{j=1}^{100} (W^{(1)}_{ij})^2}}.
上图的每个小方块都给出了一个(带有有界范数 的)输入图像\textstyle x,它可使这100个隐藏单元中的某一个获得最大激励。我们可以看到,不同的隐藏单元学会了在图像的不同位置和方向进行边缘检测。
如图是SparseAutoencoderSparse Autoencoder训练出的权值可视化图像
训练样本为64∗1000064 * 10000矩阵(8∗8图像块∗10图∗1000抽样/图8 * 8 图像块 * 10图 * 1000抽样/图)
权值W(1)W^{(1)}为64∗2564 * 25矩阵(8∗8输入∗25隐含层8*8 输入 * 25隐含层)
如果输入图像与第一个图像块一致(在满足上述引用约束条件下),则最有机会使第一个隐含层节点激活。
相关文章推荐
- JS DOM编程艺术——JS综合实例—— JS学习笔记2015-7-29(第92天)
- iOS 隐藏状态栏
- [Android优化进阶] 提高ListView性能的技巧
- iOS"Request failed: unacceptable content-type: text/html"
- Andriod实现刮刮卡的效果
- shell脚本学习知识点(二)
- hd1232 修路最少(并查集问题)
- CSS基础篇
- [Leetcode] Bitwise And of numbers range
- Cordova/Phonegap Android中Java调用JavaScript
- CF_288B_PoloThePenguinAndHouses
- js事件委托
- android判断EditText输入的数字、中文还是字母方法
- sqlit3的使用
- 给CS专业大学生的推荐书籍
- Android中Activity中与ListActivity中使用listview区别
- C++对二进制文件的读写操作[c++学习网站]
- I2C总线配置与测试(CCS裸班测试)
- Squares
- 暑假集训-个人赛第四场