从自我学习到深层网络

From Ufldl

Jump to: navigation, search
Line 32: Line 32:
【初译】
【初译】
-
我们感兴趣的是解决一个分类任务,目标是预测样本类型<math>\textstyle y</math>。我们拥有标注数据集<math>\textstyle \{ (x_l^{(1)}, y^{(1)}), (x_l^{(2)}, y^{(2)}), \ldots (x_l^{(m_l)},y^{(m_l)}) \}</math>,包含<math>\textstyle m_l</math>个标注样本。此前我们已经证明,可以利用稀疏自动编码机计算获得的特征<math>\textstyle a^{(l)}</math> (“替代”表示)来替代初始特征<math>\textstyle x^{(i)}</math>。如此,我们就获得训练数据集<math>\textstyle \{(a^{(1)},y^{(1)}), \ldots (a^{(m_l)}, y^{(m_l)}) \}</math>。最终,我们训练得到一个从特征<math>\textstyle a^{(i)}</math> 到分类标注<math>\textstyle y^{(i)}</math>的logistic分类器。为说明这一过程,如同我们此前的笔记,可以如下图描述logistic回归单元(橘黄色)。
+
我们感兴趣的是解决一个分类任务,目标是预测样本类型<math>\textstyle y</math>。我们拥有标注数据集<math>\textstyle \{ (x_l^{(1)}, y^{(1)}), (x_l^{(2)}, y^{(2)}), \ldots (x_l^{(m_l)},y^{(m_l)}) \}</math>,包含<math>\textstyle m_l</math>个标注样本。此前我们已经证明,可以利用稀疏自动编码机计算获得的特征<math>\textstyle a^{(l)}</math> (“替代”表示)来替代初始特征<math>\textstyle x^{(i)}</math>。如此,我们就获得训练数据集<math>\textstyle \{(a^{(1)},y^{(1)}), \ldots (a^{(m_l)}, y^{(m_l)}) \}</math>。最终,我们训练得到一个从特征<math>\textstyle a^{(i)}</math> 到分类标注<math>\textstyle y^{(i)}</math>的logistic分类器。为说明这一过程,如同[[Neural Networks|我们此前的笔记]],可以如下图描述logistic回归单元(橘黄色)。
【一审】
【一审】

Revision as of 00:16, 14 March 2013

Personal tools