有没有办法从一组图像中学习无监督特征。类似于word2vec 或doc2vec，在其中学习神经网络并给定新文档，我们得到它的特征。
与example 类似，表明它可以加载学习的 nn-model 并预测新图像的特征。
是否有任何简单的示例如何在图像上实现 cnn 并恢复它们的功能会有所帮助！！
假设在这个example
如果我想获得所有X_train 和X_test 的cnn 功能......有什么办法吗？
此外，如果我们可以获得每张图像的每层权重，我们可以将它们堆叠并用作特征。在那种情况下，有办法得到同样的结果。
如果我们将这些特征视为向量，则将这些特征用于无监督任务会更容易。
【问题讨论】：
标签： python machine-learning keras neural-network deep-learning
如果我正确理解了您的问题，那么这个任务在深度学习领域是很常见的。对于图像，我认为最好的是卷积自动编码器。您可以阅读有关此架构的信息，例如这里
http://people.idsia.ch/~ciresan/data/icann2011.pdf
以前版本的 Keras 支持这种架构作为核心层之一，尽管从 1.0 版本开始，我注意到它从文档中消失了。但是 - 从头开始构建它仍然很容易:)
在 noimage 情况下，还有另一种方法，例如受限玻尔兹曼机。
更新：
根据我的个人经验，哪种激活最适合从神经网络激活中获取新特征，这取决于您使用的网络的大小。如果您使用的网络最后一层很宽（有很多节点），那么只获取最后一层可能很有用（如果您还想考虑前一层，由于参数的数量 - 它可能会损害学习的性能）。但是 - 如果（就像在某些 MNIST 网络的情况下）你的最后一层不足以完成这项任务 - 你可以尝试使用之前的层激活甚至所有网络活动。老实说——我不期望在这种情况下有太大的改进——但你可以试试。我认为你应该同时使用这两种方法——从只获取最后一层激活开始——然后在你从前一层添加激活时尝试检查新分类器的行为。
我强烈建议您从网络正在学习哪种特征中获得一些见解 - 使用它的激活的 T-SNE 嵌入。在许多情况下，我发现它很有用 - 例如检查层的大小是否足够。使用 T-SNE，您可以检查从最后一层获得的特征是否是您的类的良好鉴别器。它还可以让您深入了解您的数据以及神经网络真正在学习什么（以及惊人的可视化效果:)）
【讨论】：