搜索深度自动编码器示例以降低维度答案

【问题标题】：Searching a deep autoencoder example for dimensionality reduction搜索深度自动编码器示例以降低维度
【发布时间】：2015-03-20 06:07:44
【问题描述】：

我想配置一个深度自动编码器，以减少我的输入数据的维数，如paper 中所述。层大小应为 2000-500-250-125-2-125-250-500-2000 并且我希望能够拉出中间层的激活（如中所述纸，我想用这些值作为坐标）。输入数据由每个长度为 2000 的二进制向量组成。现在我正在寻找一个可以作为起点的工作示例。我已经尝试过DeepLearning4J，但无法构建令人满意的自动编码器。如有任何建议，我将不胜感激。

【问题讨论】：

标签： neural-network deep-learning dimensionality-reduction autoencoder

【解决方案1】：

您应该查看deeplearning.net 上的一些教程。他们有一个带有代码的Stacked Denoising Autoencoder 示例。所有的教程都是用Theano写的，这是一个科学计算库，可以为你生成GPU代码。

以下是在LFW 上训练的 200x200x200 SdA 的第 3 层上学习权重的可视化示例。您只需修改上面链接的 SdA 教程代码即可获得相同的结果。

【讨论】：

感谢您的回复 :) 该示例运行良好。您能给我一个建议，如何将我自己的数据输入网络吗？
当然，将一些数据上传到 Dropbox 或谷歌驱动器，我可以向您展示如何以正确的格式获取数据。
这很好。如前所述，我的数据集由长度为 2000 的特征向量组成。在标记版本中，最后一列包含用于验证结果的标签 (1-9)。可以找到数据here谢谢！
它是什么类型的数据？这将帮助我进行可视化/调试。
数据集中的每个样本代表一篇文章。向量中长度为 2000 的每个位置代表所有文章中最常见的 2000 个单词之一。在二进制版本中，“真”表示该词（位置所代表的）在文章中至少出现一次。浮点值由（当前文章中当前单词的出现次数）/（当前单词中的最大出现次数计算 - 因此值 1.0f 代表文章中最常见的单词。标签代表主题（主题之间可能存在重叠）。我希望这些信息对您有所帮助:)