Deep learning 自动编码器

我想比较CNN和caffe中的自动编码器的性能。我完全熟悉caffe中的cnn，但我想知道autoencoder是否也有deploy.prototxt文件？使用这两个模型而不是体系结构有什么区别吗

是的，它还有一个deploy.prototxt

---

train_val.prototxt

和“deploy.prototxt”都是cnn体系结构描述文件。它们之间的唯一区别是，

train_val.prototxt

将训练数据和损失作为输入/输出，而“deploy.prototxt”将测试图像作为输入，预测值作为输出。

以下是一个用于MINST的cnn和自动编码器示例：。（我没有试过这些例子。）使用这些模型通常是一样的。学习率等取决于模型。

您需要使用python或matlab实现一个自动编码器示例。Caffe中的示例不是真正的自动编码器，因为它没有设置分层训练阶段，并且在训练阶段，它没有固定W{L->L+1}=W{L+1->L+2}^t。在github中很容易找到1D自动编码器，但2D自动编码器可能很难找到。

自动编码器与传统网络的主要区别是

在自动编码器中，您的输入是用于培训的标签图像

自动编码器尝试将输出近似为输入

自动编码器在训练时没有softmax层

它可以用作网络的预训练模型，与其他预训练模型相比，该模型收敛速度更快。这是因为您的网络已经提取了数据的特征

您可以在预先训练的自动编码器网络上执行常规训练和测试，以实现更快的收敛速度和准确性

---

是的，我读过，但我还是不清楚！我和cnn做了回归分析，但网络的输出是预测的。但我不知道在自动编码器上实现回归会有什么后果！谢谢你的帮助！所以问题是在aouto conder的情况下，网络会预测图像！正确的？输出将是s.th-like矩阵？