首页 文章

h2o.deeplearning autoencoder，手动计算深度特征

提问于
浏览 次
2

我试图了解自动编码器中的功能有多深 .

我用 h2o.deeplearning 创建了一个自动编码器，然后我尝试手动计算deepfeatures .

自动编码器

fit = h2o.deeplearning(
x = names(x_train),
training_frame = x_train,
activation = "Tanh",
autoencoder = TRUE,
hidden = c(25,10),
epochs = 100,
export_weights_and_biases = TRUE,
)

我使用激活函数Tanh和2个没有丢失的隐藏层，使事情变得简单 .

手动计算隐藏层1深层特征

然后我提取了从输入层到隐藏层1的重量和偏差

w12 = as.matrix(h2o.weights(fit, 1))
b12 = as.matrix(h2o.biases (fit,1))

我准备了在[-0.5,0.5]的紧凑区间之间对其进行归一化的训练数据，因为h2o在自动编码器中自动进行 .

normalize = function(x) {(((x-min(x))/(max(x)-min(x))) - 0.5)}
d.norm =  apply(d, 2, normalize)`

然后我手动计算了第一层的深度特征

a12 = d.norm %*% t(w12)
b12.rep = do.call(rbind, rep(list(t(b12)), nrow(d.norm)))
z12 = a12 + b12.rep
f12 = tanh(z12)

当我将这些值与隐藏的第1层深层特征进行比较时，它们并不匹配

hl1.output = as.matrix(h2o.deepfeatures(fit, x_train, layer = 1))
all.equal(
as.numeric(f12[,1]),
hl1.output[, 1],
check.attributes = FALSE,
use.names = FALSE,
tolerance = 1e-04
)
[1] "Mean relative difference: 0.4854887"

手动计算隐藏层2深层特征

然后我尝试做同样的事情从隐藏层1的深层特征手动计算hiddem层2的深层特征

a23 = hl1.output %*% t(w23)
b23.rep = do.call(rbind, rep(list(t(b23)), nrow(a23)))
z23 = a23 + b23.rep
f23 = tanh(z23)

将这些值与隐藏层2的深层特征进行比较，我发现它们完全匹配

hl2.output = as.matrix(h2o.deepfeatures(fit,x_train,layer = 2))
all.equal(
as.numeric(f23[,1]),
hl2.output[, 1],
check.attributes = FALSE,
use.names = FALSE,
tolerance = 1e-04
)
[1] TRUE

手动计算输出图层要素

我为输出层尝试了同样的事情

a34 = hl2.output %*% t(w34)
b34.rep = do.call(rbind, rep(list(t(b34)), nrow(a34)))
z34 = a34 + b34.rep
f34 = tanh(z34)

我将结果与我的输出进行了比较，但我无法得到相同的结果

all.equal(
as.numeric(f34[1,]),
output[1,],
check.attributes = FALSE,
use.names = FALSE,
tolerance = 1e-04
)
[1] "Mean relative difference: 3.019762"

问题

我认为我没有以正确的方式对数据进行规范化，因为我可以使用隐藏层1的功能重新创建隐藏层2的深层特征 . 我不明白什么是错的，因为 autoencoder = TRUE h2o应该规范化之间的数据[-0.5：0.5]

我不明白为什么输出层的手动计算不起作用

1）如何手动计算隐藏层1的深层特征？

2）如何手动计算输出功能？

r deep-learning h2o autoencoder

1 回答

  • 1

    你正在使用：

    normalize = function(x) {(((x-min(x))/(max(x)-min(x))) - 0.5)}

    他们正在使用this Java code：

    normMul[idx] = (v.max() - v.min() > 0)?1.0/(v.max() - v.min()):1.0;
 normSub[idx] = v.mean();

    然后使用like this：

    numVals[i] = (numVals[i] - normSub[i])*normMul[i];

    即减去均值，然后除以范围（或等效地，在该范围内乘以1） . 所以，忽略检验除零，我认为你的R代码必须是：

    normalize = function(x) {(x-mean(x))/(max(x)-min(x))}

    检查为零，类似于：

    normalize = function(x) {mul=max(x)-min(x);if(mul==0)mul=1;return((x-mean(x))/mul)}

    只是玩弄它，似乎有1.0的范围，但它不是以0.0为中心，即它不是H2O文件中描述的-0.5到0.5（例如深度学习小册子中的第20页） . 我是否遗漏了Java代码中的内容？

    顺便说一句this line是它决定自动编码器的NORMALIZE，而不是STANDARDIZE用于其他深度学习 .

    回复于

相关问题