微处理机
微處理機
미처리궤
MICROPROCESSORS
2015年
1期
47-51
,共5页
堆叠稀疏编码器%非监督贪婪逐层训练%反向传播算法%softmax 分类器
堆疊稀疏編碼器%非鑑督貪婪逐層訓練%反嚮傳播算法%softmax 分類器
퇴첩희소편마기%비감독탐람축층훈련%반향전파산법%softmax 분류기
Stacked Sparse Autoencoder%Greedy Layer -Wise Unsupervised Learning Algorithm%Back Propagation Algorithm%Softmax classifier
将稀疏自动编码器（Sparse Autoencoder，SAE ）模型应用于数字识别中，并通过多个稀疏自动编码器的堆叠构建了深度网络，采用非监督贪婪逐层训练算法（Greedy Layer －Wise Unsu-pervised Learning Algorithm）初始化网络权重，使用反向传播算法优化网络参数。利用堆叠稀疏自动编码器学习数字图像的特征，使用 softmax 分类器进行数字分类。经实验证明，与其它浅层学习模型对比，深度网络不仅进一步学习了数据的高层特征，同时还降低了特征维数，提高了分类器的分类精度，最终改善了手写数字的分类效果。
將稀疏自動編碼器（Sparse Autoencoder，SAE ）模型應用于數字識彆中，併通過多箇稀疏自動編碼器的堆疊構建瞭深度網絡，採用非鑑督貪婪逐層訓練算法（Greedy Layer －Wise Unsu-pervised Learning Algorithm）初始化網絡權重，使用反嚮傳播算法優化網絡參數。利用堆疊稀疏自動編碼器學習數字圖像的特徵，使用 softmax 分類器進行數字分類。經實驗證明，與其它淺層學習模型對比，深度網絡不僅進一步學習瞭數據的高層特徵，同時還降低瞭特徵維數，提高瞭分類器的分類精度，最終改善瞭手寫數字的分類效果。
장희소자동편마기（Sparse Autoencoder，SAE ）모형응용우수자식별중，병통과다개희소자동편마기적퇴첩구건료심도망락，채용비감독탐람축층훈련산법（Greedy Layer －Wise Unsu-pervised Learning Algorithm）초시화망락권중，사용반향전파산법우화망락삼수。이용퇴첩희소자동편마기학습수자도상적특정，사용 softmax 분류기진행수자분류。경실험증명，여기타천층학습모형대비，심도망락불부진일보학습료수거적고층특정，동시환강저료특정유수，제고료분류기적분류정도，최종개선료수사수자적분류효과。
In this paper,the sparse autoencoders (Sparse Autoencoder,SAE)model is applied to the digital recognition,and a deep network is constructed by stacking a plurality of sparse autoencoders, using Greedy Layer -Wise Unsupervised Learning algorithm to initialize the weights of the network and back propagation algorithm to optimize the parameters of the network .The stacked sparse autoencoders are used to learn the features of the digital image,and the softmax classifier is used to conduct the digital classification.The experiments show that,comparing with other shallow learning models,the deep network not only studies the high -level features of the data,but also reduces the feature dimension and improves the precision of the classifier,which finally improves the classification effect of handwritten digits.
